姜波¹, 张超², 陈涛¹, 袁宏永¹, 范维澄¹
1. 清华大学 工程物理系, 公共安全研究院, 北京 100084;
2. 中国标准化研究院 公共安全标准化研究所, 北京 100191
收稿日期：2020-09-07
基金项目：国家重点研发计划项目（2018YFC0807000）
作者简介：姜波(1983-), 男, 博士研究生
通讯作者：陈涛, 副研究员, E-mail: chentao.b@tsinghua.edu.cn

摘要：暴雨灾害具有强度大、时间长、易引发次生衍生事件、应急处置难度大等特点。该文从全局的角度研究暴雨风险。针对暴雨过程复杂性和次生衍生特点，提出了一种突发事件情景构建模型，构建了暴雨情景演化全流程，进而应用Bayes网络方法，结合风险因子的概率，构建了暴雨灾害的Bayes网络模型。应用Bayes网络模型计算暴雨引发洪水的量化风险，通过考察风险因素的敏感性得出网络中关键节点。结果表明：基于Bayes网络的暴雨情景构建和定量风险分析，能够帮助应急管理决策者掌握暴雨事件全局态势，研判关键节点，提高应急响应措施的及时性、针对性。
关键词：暴雨Bayes网络情景构建风险因素
Construction and deduction of rainstorm disaster scenarios based on Bayesian networks
JIANG Bo¹, ZHANG Chao², CHEN Tao¹, YUAN Hongyong¹, FAN Weicheng¹
1. Institute of Public Safety, Department of Engineering Physics, Tsinghua University, Beijing 100084, China;
2. Institute of Public Safety Standardization, China National Institute of Standardization, Beijing 100191, China

Abstract: Rainstorm disasters are characterized by high intensity and long duration that lead to secondary events and difficult emergency response. This study analyzed rainstorm risks from a global perspective. An emergency scenario was constructed that considered the complexity of the secondary events to analyze the entire development of a rainstorm scenario. A Bayesian network (BN) was used with various risk factor probabilities to analyze the flood risks caused by various rainstorms. The key nodes in the network were then identified by a sensitivity analysis of the risk factors. The results show that the rainstorm risk analysis based on this BN model can help decision makers evaluate storm conditions, develop response plans, identify key risk factors, and improve the timeliness and effectiveness of emergency responses.
Key words: rainstormBayesian networkscenario constructionrisk factor
暴雨作为致灾因子，可能导致洪涝、地质灾害等突发事件，造成城市运行瘫痪、人员伤亡，严重威胁城市安全。每逢汛期，做好暴雨及其次生衍生事件应对，考验着城市应急管理水平和全社会防灾减灾能力，也体现出城市公共安全治理现代化水平。近年来，尽管天气预报预测的准确性不断提升，但是暴雨预测仍然存在一定程度上的不确定性和难度，特别是随着城市经济社会的不断发展，人口、资源、环境矛盾日益突出，各类风险因素叠加交织，一旦发生极端强降雨，可能衍生多种突发事件。而且，城市韧性不足，抗灾能力不强，极易产生连锁、放大效应，由局部事件演化为全域灾害，由单一事件演化为系统风险。例如，2011年7月，北京、杭州、武汉和成都等多座城市由于强降雨被淹，“城市看海”成为网络热词；2012年7月北京“7·21”强降雨引发特大自然灾害，造成了重大人员伤亡和巨大经济损失。因此，无论是学术界还是政府管理部门，都在积极研究暴雨及其引发事件的应对。
近年来，“情景-应对”成为突发事件应对研究的热点，特别是在一些难以预测、具有复杂度高或小概率等特点的非常规突发事件应对领域，基于情景的应对，对于政府部门提前做好风险防范、有针对性地开展预防和应急准备，起到了重要支撑作用。国内外很多****从情景的定义、要素组成、表达、演化等领域，开展了理论层面的探索和实践层面的应用，有的侧重通用“情景-应对”方法研究，有的针对某一特定领域突发事件开展专题、深入研究，均取得了很好的成效。苏伯尼等建立了一套针对城市暴雨内涝灾害的定量风险评估方法，分析了雨水井对降低城市暴雨内涝风险的作用^[1]。丁继勇等针对城市暴雨内涝应急决策的特点和目标，研究了城市暴雨内涝应急管理的决策方法，分析了城市暴雨内涝应急管理中分阶段“博弈”的过程，并利用Bayes理论提出了城市暴雨内涝应急管理各阶段方案的动态生成方法^[2]。孙超等以城市频发的暴雨内涝灾害为例，构建了城市路况模型全链条、多维度的灾害情景推演方案，提出了应急救援决策的优化建议^[3]。赵庆良等以温州龙湾区为例提出了基于情景的沿海城市社区暴雨洪水风险评价^[4]。张振国等以上海市普陀区金沙居委地区为例，运用情景分析方法开展了城市社区尺度的4种排水条件下8种重现期暴雨的32个内涝灾害危险性情景模拟、分析与评价^[5]。
综上所述，多数****只针对暴雨引发的某一种特定灾害开展其致灾原理、演化机理和应急决策等方面的研究，出现这种情况的客观原因是暴雨及其引发的灾害应对涉及部门众多：暴雨作为一种自然现象由气象部门开展预报、监测和预警，洪水则由水务部门牵头处置，地质灾害由自然资源和规划部门负责，城市内涝涉及交通、城市管理、水务、园林等多个部门，而应急救援救治还涉及消防、卫生以及武警军队等救援力量。尽管通常设有防汛指挥部来牵头抓总，但是将暴雨作为一个综合体研究其总体态势、综合风险、情景演化，还有所欠缺，各业务部门仅对自身职责范围内事件的应对熟悉了解，大多没有从全局去考虑综合性问题。
本文从全局的角度开展研究，将暴雨作为致灾因子，利用情景构建的方法，研究其造成的各类事件和次生衍生事件的构成、演化过程，以期为应急决策者开展事前预防和事后处置提供参考。
1 突发事件情景构建关于突发事件的系统组成的方法论有很多，范维澄等提出了公共安全三角形理论：三角形的3个边分别代表突发事件、应急管理和承灾载体；联接3条边的节点统称为灾害要素，包括物质、能量和信息^[6]。史培军提出灾害是由孕灾环境、致灾因子和承灾载体共同组成的地球表层异变系统, 灾情是这个系统中各要素相互作用的产物^[7]。范海军等提出将自然灾害系统的演化变异过程表征为灾害系统在外部环境作用下, 其内部结构关系变化、内部状态响应和灾害系统对外作用或对外破坏作用过程, 自然灾害系统链式关系结构包括环境、存在(响应)状态、内部结构关系与对外行为(或破坏作用)等要素^[8]。裘江南等运用系统理论, 将突发事件看作一个系统, 突发事件可以划分为输入要素、状态要素、输出要素, 突发事件的发生发展过程是这3种要素相互影响相互作用的结果^[9]。
结合以上理论模型和突发事件应对实践，本文提出了突发事件系统的组成包括初始致灾因子(factor，F)、承灾体(bearing，B)、突发事件(incident，I)、应急响应活动(response，R)、孕灾环境(environment，E)和造成的后果(casualties，C) 6个要素，简称FBIREC模型，其作用关系如图 1所示。

图 1 突发事件单一情景组成关系

图选项

初始致灾因子(F)是自然或人为环境中，能够对人类生命、财产或各种活动产生不利影响，并引发突发事件的要素。例如，暴雨本身是一种自然现象，如果作用到无人区，甚至缺水严重的区域，不但不会成灾，还能抗旱，但如果作用到河湖水库、城市建筑、人口密集区域或地质灾害易发区，形成洪水、内涝或地质灾害，影响城市运行，就成为初始致灾因子。承灾体(B)是突发事件中初始致灾因子作用的对象，泛指直接受到灾害或突发事件影响和损害的人类社会主体。例如，受到暴雨影响和作用产生突发事件或者受到损失的要素，包括水利工程、采矿区、山区地质灾害易发区、城市道路、建筑工程和人员等。突发事件(I)指承灾体被初始致灾因子作用后形成的状态，如洪水、地质灾害、积水内涝、塌方等。应急响应活动(R)指针对承灾体和突发事件采取的措施，对于承灾体应急响应活动主要目的是降低突发事件发生的可能性，对于突发事件主要是降低其危害程度，减少其造成的损失。孕灾环境(E)是突发事件发生、发展、演化的环境，包括时间环境、空间环境和社会环境等，不同的孕灾环境会造成承灾体的变化，从而影响突发事件的演化过程。造成的后果(C)泛指突发事件作用到承灾体之后产生的经济损失和人员伤亡。
每一类突发事件及其次生衍生事件的演化发展，都可以用FBIREC模型表示。随着时间环境的变化，每一个时刻的事件情景也可以用FBIREC模型的6种要素及其作用关系来表示。每个要素都包括很多特有属性，属性之间的关联构成了要素之间的作用关系(见图 2)，从而使突发事件不断演化发展，从孕育、发生、发展到逐渐消亡。例如，暴雨的量值超过了道路设计的排水标准，会引发道路积水事件；而积水超过一定的量值，作用到行驶的车辆，会造成车辆被淹、人员被困；假如提前采取预置排水设备等应急响应措施，一旦出现积滞水就及时抽排，则可以避免积水事件的发生，而提前疏导行驶的车辆，也可以避免车辆被淹的情况发生。

图 2 要素之间作用示意图

图选项

根据FBIREC模型，可以分析暴雨作为初始致灾因子作用到承灾体引发的突发事件及后果，构建暴雨事件系统。本文针对发生在国内外的暴雨事件进行研究、归纳并提炼，确定水利设施、地质灾害易发区、采矿区、建筑工程、城市交通基础设施和老旧平房低洼院落6种主要承灾体，引发洪水、山洪地质灾害、溃坝、工地积水塌方、积水内涝、房屋倒塌6种突发事件，造成的后果包括人员伤亡和经济损失等，如图 3所示。

图 3 暴雨情景结构示意图

图选项

下面以暴雨作用到水利设施为例。暴雨引发洪水突发事件，洪水将作用到城市生命线、未转移人员、房屋农田、道路桥梁、建筑工程等，引发次生灾害或者造成经济损失和人员伤亡。针对承灾体开展的应急响应活动主要为预防措施，防止突发事件发生，阻断下一个链条的延伸；针对突发事件的应急响应措施主要为减灾措施，即尽可能降低灾害的影响，减少灾害的损失。图 4所示的情景结构表明了洪水事件作用到城市生命线并产生次生灾害的链条，以及直接作用到未转移人员造成的后果。图 4经过筛选、梳理，对每一个承灾体和突发事件加入了关键的应急响应活动，该活动主要来源于各类应急预案、处置方案、案例总结和专家知识。

图 4 暴雨作用到水利设施情景结构示意图

图选项

在洪水事件基础上，构建暴雨全情景演化流程图，初步考虑在同一孕灾环境下的演化过程，如图 5所示。

图 5 暴雨情景演化流程图

图选项

2 暴雨事件情景Bayes网络构建Bayes网络是一种基于网络结构的有向图解描述, 由Pearl在1988年提出^[10]，是人工智能与概率理论、图论、决策理论相结合的产物, 利用节点变量表示各个信息要素, 用连接节点之间的有向边表示各个信息要素之间的因果关系, 用条件概率表示各个信息要素之间的影响程度, 节点之间的因果关系和影响程度构成了Bayes网络结构。节点和有向边组成了Bayes网络的最基本框架，如图 6所示。

图 6 Bayes网络示意图

图选项

Bayes网络中有两种节点，父节点(根节点，例如图 6中的A、B、D)和子节点(中间节点，例如图 6中的C、E)。父节点的概率称为先验概率，其计算基于先前事故报告、事故数据库和专家意见等。子节点的概率是集合多种统计方法得出的，如D-S理论和Delphi法^[11-14]。
基于Bayes网络特性，对于每个随机节点U，联合概率可通过式(1)计算求得。

$\begin{array}{c}p\left(U_{1}, U_{2}, \cdots, U_{k}\right)=\prod\limits_{1}^{k} p\left(U_{i} / \operatorname{Parent}\left(U_{i}\right)\right), \\i=1, 2, \cdots, k\end{array}$

(1)

相比于事故树、蝴蝶结法、反向传播(back propagation，BP)神经网络等传统方法，Bayes网络的优势在于其灵活性和动态性。Bayes网络节点可灵活增加或减少，每个节点的概率能够在引入新证据后动态变化，而其他方法由于概率需重新计算，导致耗费时间较长。此外，基于新证据流入的概率更新是动态风险分析的关键步骤，概率更新为

$p(B \mid e)=\frac{p(e \mid B) p(B)}{p(e)}=\frac{p(e \mid B) p(B)}{\sum\limits_{i=1}^{n} p\left(e \mid B_{i}\right) p\left(B_{i}\right)}$

(2)

式(2)中：p(B|e)是在给出证据“e”后B事件的后验概率，p(B)是B事件的先验概率，p(B|e)是已给出事件B的证据概率，p(e)是预定义的证据后验概率，$ \sum\limits_{i=1}^{n} p\left(e \mid B_{i}\right) p\left(B_{i}\right)$是“e”的联合概率。
Bayes网络中子节点的后验概率受其父节点的影响，会随父节点的先验概率或新证据的引入而变化。这赋予了Bayes网络两个重要功能：反向推演与敏感性分析。反向推演功能是指假设某一节点的某一状态100%发生，则其父节点的概率也会发生变化，父节点概率变化程度越大则此节点对该子节点的影响越大。敏感性分析量化了父节点发生变化后引起的子节点后验概率变化程度的大小, 可据此识别出Bayes网络模型中的关键要素。
Bayes网络的建模方法大致可以分为专家建模、数据学习建模、专家知识与样本数据结合建模。本文将Bayes网络应用到暴雨情景演化过程中，采取第3种建模方法，通过2010—2019年全国范围内典型暴雨事件案例数据的学习，结合专家实践经验知识，在图 5暴雨事件情景演化流程基础上，构建暴雨事件情景Bayes网络，如图 7所示，其中Bayes网络中各节点配置如表 1所示。

图 7 暴雨事件情景Bayes网络

图选项

表 1 暴雨事件情景Bayes网络节点及状态表达

序号	节点	状态		序号	节点	状态
1	暴雨	蓝、黄、橙、红		32	人员被掩埋	有、无
2	疏浚巡查	开展、未开展		33	及时救援搜救	开展、未开展
3	水利设施	高风险、低风险		34	人员伤亡	有、无
4	洪水	一般、严重		35	地质灾害易发区	高、中、低风险
5	洪水调度，修复决口	开展、未开展		36	含水量、位移监测，强化巡护	开展、未开展
6	分洪区人口	密集、稀疏		37	地质灾害	是、否
7	人员转移	开展、未开展		38	应急调查治理，防止蔓延	开展、未开展
8	人员被困	有、无		39	加强监测预警	开展、未开展
9	及时救援救治	开展、未开展		40	人员转移	开展、未开展
10	人员伤亡	有、无		41	人员被掩埋	有、无
11	城市生命线	有、无		42	及时救援搜救	开展、未开展
12	巡护加固调路由	开展、未开展		43	人员伤亡	有、无
13	断电断水事件	发生、未发生		44	房屋、道路、交通、通信基础设施	有、无
14	应急抢修安抚居民	开展、未开展		45	基础设施被冲毁	是、否
15	影响民生	有、无		46	危旧平房低洼院落	有、无
16	房屋农田道路桥梁	有、无		47	隐患排查，房屋加固	开展、未开展
17	被淹被毁	有、无		48	漏雨房屋倒塌	是、否
18	涉山涉水工程	有、无		49	修房抽积水	开展、未开展
19	停工撤离人员	开展、未开展		50	转移安置人员	开展、未开展
20	工程受损、人员伤亡	有、无		51	人员被困	有、无
21	建筑工程	有、无		52	及时搜救救治	开展、未开展
22	强化排水设施	开展、未开展		53	人员伤亡	有、无
23	积水	是、否		54	道路交通基础设施	高、中、低风险
24	抽排积水	开展、未开展		55	提前预置力量，疏通排水管线	开展、未开展
25	工程塌方受损	有、无		56	积水内涝	严重、一般
26	尾矿库	有、无		57	排水，疏导交通	开展、未开展
27	隐患排查，检查疏浚排洪设施	开展、未开展		58	车辆和人员	有、无
28	溃坝	是、否		59	发布预警、引导车辆和人员	开展、未开展
29	加强监测预警	开展、未开展		60	泡车，人员被困	有、无
30	人员转移	开展、未开展		61	及时开展救援	开展、未开展
31	围堰堵坝	是、否		62	人员伤亡	有、无

表选项






下面举例说明部分节点状态设置：
1) 暴雨设置蓝、黄、橙、红4级状态。按照满足1 h降雨量、6 h累计降雨量、24 h累计降雨量条件之一确定，4级状态的阈值范围分别为(30，50，70) mm、(50，70，100) mm、(70、100、150) mm、(100，150，200) mm。
2) 道路交通基础设施。根据特大城市道路排水设计标准，城市主干路、环路设计标准为三年一遇(45 mm/h)，重点区域道路设计标准为五年一遇(56 mm/h)，而特别重要核心区设计标准为十年一遇(67 mm/h)，其余设计多为一年一遇(36 mm/h)。根据历史积水数据统计分析，设置为3种状态：高风险、中风险和低风险区域。
3) 水利设施和山洪地质灾害易发区。根据气象部门开展暴雨普查获得的致灾临界面雨量，一般将中小河流洪水、山洪、地质灾害气象风险等级划分为4级，即Ⅳ级(有一定风险)、Ⅲ级(风险较高)、Ⅱ级(风险高)、Ⅰ级(风险很高)。以洪水为例，当面雨量超过致灾临界面雨量的70%为一般洪水灾害，超过1倍为较严重，超过1.5倍为严重，超过2倍为特别严重。为方便计算，本文将引发洪水的承灾体(河道等水利设施)状态简化为两种，即高风险和低风险区域；将洪水状态简化为一般和严重两种状态；将地质灾害易发区状态设为高风险、中风险和低风险3类区域。
4) 应急响应活动。应急响应活动分为预防性措施和处置性措施，分别针对承灾体和突发事件。例如，针对河道提前开展疏浚、加强巡查能有效降低洪水发生的可能性；针对洪水开展应急调度、分洪、蓄洪、修复决口，可以有效降低洪水造成的损失。本文中统一将应急响应活动状态简化为开展、未开展两类。
5) 突发事件和造成的后果。致灾因子作用到不同状态的承灾体，承灾体是否提前开展应急预防措施会对突发事件发生的概率造成影响，因此将突发事件造成的后果节点状态设置为是、否，或者有、无两种状态，代表事件发生或造成损失的概率。
3 分析与讨论以暴雨引发洪水为例开展Bayes网络推理。首先，确定父节点的先验概率和子节点的条件概率，由案例资料、统计数据和专家打分法结合获得。
父节点的先验概率主要通过历史资料、统计数据以及有关预案等确定：暴雨4种状态(蓝、黄、橙、红)根据特定区域内气象统计数据获得；水利设施高低风险区域分布，由有关部门自然灾害普查获得。
子节点条件概率通过选取5位行业专家(应急指挥、防汛指挥、预警信息、水利工程、气象)对图 8所示各个子节点在父节点不同状态影响下的发生概率打分获得。

图 8 暴雨导致洪水灾害演化Bayes网络

图选项

通过专家打分法结合DS证据理论方法，形成节点条件概率表(以洪水条件概率大小表示，见表 2)。完成对各节点各状态组合的条件概率输入后，整个网络可实现概率更新，并输出各节点的后验概率分布。
表 2 洪水条件概率

暴雨	疏浚河道加强巡查	河流水库闸坝	条件概率/%
			一般洪水	严重洪水
蓝	是	高风险	79	21
蓝	是	低风险	88	12
蓝	否	高风险	67	33
蓝	否	低风险	76	24
黄	是	高风险	69	31
黄	是	低风险	73	27
黄	否	高风险	57	43
黄	否	低风险	61	39
橙	是	高风险	44	56
橙	是	低风险	52	48
橙	否	高风险	35	65
橙	否	低风险	43	57
红	是	高风险	23	77
红	是	低风险	34	66
红	否	高风险	14	86
红	否	低风险	24	76

表选项






通过Bayes网络建模，计算得到整个网络中每个节点的联合概率，从而可以对暴雨引发洪水灾害的总体态势有一个直观把握。同时，通过调节各节点的概率，开展反向推演和敏感性分析，可得到全局和关键节点的变化值。
1) 暴雨级别的影响。通过Bayes网络建模，可以得出在不同量级的暴雨条件下造成人员伤亡、工程受损、房屋被冲毁农田被淹、影响民生的概率，如图 9所示。

图 9 不同暴雨等级引发灾害后果分布

图选项

2) 预防措施的重要性。通过调节网络中针对承灾体预防措施的量值，可以计算对灾害后果的影响。提前开展河道疏浚、加强巡查、消除隐患，提前转移人员、开展生命线加固巡查，涉山涉水工程提前停工，这些预防措施能够有效降低灾害后果发生的概率，如图 10所示。

图 10 预防措施影响灾害后果分布

图选项

3) 应急处置措施的及时性。通过调节网络中针对突发事件应急处置措施的量值，可以计算应急处置措施对灾害后果的影响。针对洪水，加强洪水调度，修复河堤，堵塞决口；针对人员被困，及时开展人员搜救救援；针对城市生命线事故，安抚居民。采取应急保障措施，可以有效降低灾害后果的发生概率，如图 11所示。

图 11 应急措施影响灾害后果分布

图选项

通过以上分析可以得出对灾害后果影响最大的关键节点：影响人员伤亡的关键节点为提前开展人员转移和及时开展搜救；影响工程受损和房屋被冲毁的关键节点为加强洪水调度；影响民生的关键节点为及时开展居民安抚，采取应急保障措施。
综上所述，本研究得到以下结果：
1) 针对承灾体提前采取预防措施至关重要，如得到暴雨预报后召开全市高级别部署会、发布全市性预警信息、坚决转移涉险人员、关闭旅游景区和建筑工程工地等，都会显著降低灾害的损失。
2) 针对突发事件采取的应急响应措施越到位，造成的损失越小。例如，应急队伍力量前置并及时开展救援，将有效降低人员伤亡的概率；针对积滞水及时开展抽排，同时疏导车辆和人员，可以降低对城市运行的影响，减少车辆损失和人员伤亡。
3) 针对暴雨可能引发的事件全局，提前开展部署，消除风险和隐患，切断事件链条，将从整体上降低灾害造成的损失和影响。同时，有针对性地采取应急措施，将可能引导事件向好的方向演化。
4 结论与展望本文提出了突发事件的FBIREC情景构建模型，并以暴雨及其次生衍生事件为例开展情景构建，构建了暴雨情景演化全流程，直观展示了暴雨事件造成的可能后果和可采取的应急响应措施。在此基础上，将Bayes网络应用到暴雨情景演化全流程，构建暴雨事件情景Bayes网络，确定了网络中各节点的含义和状态值, 并以暴雨引发洪水情景开展计算分析，得出网络中关键节点。结果表明，基于Bayes网络的暴雨情景构建和演化，对于应急管理决策者掌握暴雨事件全局态势、把握关键节点、及时采取应急响应措施具有重要的理论和实践意义。
未来将重点从两方面开展进一步研究：一是深入考虑不同孕灾环境中时间和空间的变化，计算不同时间节点和空间范围的暴雨及次生衍生事件动态情景演化，更加有针对性地开展应急决策；二是深入细化情景演化的网络节点结构，加强对事件案例的收集和分析，不断积累数据，利用人工智能技术强化机器学习和深度学习，修正网络之间的演化关系和量值，使网络越来越贴近现实，更好地指导实践。

参考文献

[1]	苏伯尼, 黄弘, 张楠. 基于情景模拟的城市内涝动态风险评估方法[J]. 清华大学学报(自然科学版), 2015, 55(6): 684-690. SU B N, HUANG H, ZHANG N. Dynamic urban waterlogging risk assessment method based on scenario simulations[J]. Journal of Tsinghua University (Science and Technology), 2015, 55(6): 684-690. (in Chinese)
[2]	丁继勇, 王卓甫, 郭光祥. 基于贝叶斯和动态博弈分析的城市暴雨内涝应急决策[J]. 统计与决策, 2012(23): 26-29. DING J Y, WANG Z F, GUO G X. Emergency decision-making of urban rainstorm and waterlogging based on Bayesian and dynamic game analysis[J]. Statistics and Decision, 2012(23): 26-29. (in Chinese)
[3]	孙超, 钟少波, 邓羽. 基于暴雨内涝灾害情景推演的北京市应急救援方案评估与决策优化[J]. 地理学报, 2017, 72(5): 804-816. SUN C, ZHONG S B, DENG Y. Scenario deduction based emergency rescue plan assessment and decision optimization of urban rainstorm water-logging: A case study of Beijing[J]. Acta Geographica Sinica, 2017, 72(5): 804-816. (in Chinese)
[4]	赵庆良, 王军, 许世远. 基于情景的沿海城市社区暴雨洪水风险评价: 以温州龙湾区为例[C]//中国视角的风险分析和危机反应(RAC-2010). 长春, 中国, 2010: 504-512. ZHAO Q L, WANG J, XU S Y. Flood risk assessment of coastal community based on scenario: A case study in Longwan district of Wenzhou City[C]//Chinese Perspective on Risk Analysis and Crisis Response (RAC-2010). Changchun, China, 2010: 504-512. (in Chinese)
[5]	张振国, 温家洪. 基于情景模拟的城市社区暴雨内涝灾害危险性评价[J]. 中国人口资源与环境, 2014, 24(5): 478-482. ZHANG Z G, WEN J H. Hazard assessment of rainstorm waterlogging in urban communities based on scenario simulation[J]. China Population, Resources and Environment, 2014, 24(5): 478-482. (in Chinese)
[6]	范维澄, 刘奕, 翁文国. 公共安全科技的"三角形"框架与"4+1"方法学[J]. 科技导报, 2009, 27(6): 3. FANG W C, LIU Y, WENG W G. Triangular framework and "4+1" methodology for public security science and technology[J]. Science & Technology Review, 2009, 27(6): 3. (in Chinese)
[7]	史培军. 再论灾害研究的理论与实践[J]. 自然灾害学报, 1996, 5(4): 6-17. SHI P J. Theory and practice of disaster study[J]. Journal of Natural Disasters, 1996, 5(4): 6-17. (in Chinese)
[8]	范海军, 肖盛燮, 郝艳广, 等. 自然灾害链式效应结构关系及其复杂性规律研究[J]. 岩石力学与工程学报, 2006, 25(S1): 2603-2611. FAN H J, XIAO S X, HAO Y G, et al. Study on structural relation of chain effects on natural disaster and its complexity[J]. Chinese Journal of Rock Mechanics and Engineering, 2006, 25(S1): 2603-2611. (in Chinese)
[9]	裘江南, 师花艳, 叶鑫, 等. 基于事件的定性知识表示模型[J]. 系统工程, 2009, 27(10): 1-8. QIU J N, SHI H Y, YE X, et al. Qualitative knowledge representing model based on events[J]. Systems Engineering, 2009, 27(10): 1-8. (in Chinese)
[10]	PEARL J. Probabilistic reasoning in intelligent systems: Networks of plausible inference[M]. San Francisco, USA: Morgan Kaufmann Publishers, 1988.
[11]	王军, 周伟达. 贝叶斯网络的研究与进展[J]. 电子科技, 1999(15): 6-7. WANG J, ZHOU W D. Research and development of Bayesian networks[J]. Electronic Science and Technology, 1999(15): 6-7. (in Chinese)
[12]	KIM S, KIM Y E, BAE K J, et al. NEST: A quantitative model for detecting emerging trends using a global monitoring expert network and Bayesian network[J]. Futures, 2013, 52: 59-73.
[13]	GONG Y S, WANG Y Z. 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. Shenyang, China, 2013.
[14]	ZHANG C, WU J S, HUANG C, et al. A model for the representation of emergency cases[J/OL]. Natural Hazards, 2018, 91: 337-351. DOI: 10.1007/s11069-017-3131-9.