摘要
在对典型灾害考察的基础之上,基于韧性城市视角,揭示了震后城市结构异化这一现象。基于城市恢复的基本过程,提出了城市系统社会影响因子这一关键指标,进行了地震工程科学与社会科学的交叉耦合研究,从而进一步修正了城市系统韧性度量的评价方式。最后,以Agent模型为基础,量化研究了对于决定城市系统社会影响因子这一指标的人口再分布问题,通过定量的方式研究了防灾教育、地震烈度和震后人群信息沟通效率对人口短时再分布的影响。
随着城市规模的迅速扩大和城市功能的日益复杂,尤其是以新一代信息通信技术为载体的智慧城市的建设,事实上对城市的防灾减灾能力提出了更高要
尽管不同研究者在这两个维度上做了大量的工作,然而有两个突出的矛盾仍然令人瞩目。首先是时间维度上,人们往往以日常运行功能标准作为衡量灾后城市系统是否恢复“正常”的标准进行量化分析,显然,在小震或者灾害较小的情况下,这一以“日常标准”为“标准”的分析是合理的,但是大灾、特别是巨灾后的城市结构往往会巨大变化,出现城市部分甚至整体搬迁的情况,显然,此时原有的“日常标准”作为城市不同系统不同位置是否“正常”的衡量标准,已经失效了。其次在服务维度上,人们往往以城市系统可提供正常服务的节点比例或者人口比例作为系统功能量化的指标,未能深层次地考虑“功能”本质上是对“人”这一特殊群体提供服务的描述,因此,对于震后必然重点关注的“第一条通电的线路、第一条通车的道路、第一个复工的企业”等具有重要社会意义的城市系统的功能恢复对城市韧性的影响,难以进行量化的分析。
基于上述思考,本论文从韧性城市的视角出发,基于过去实际震害的案例,提出了震后城市结构异化的问题,并对影响城市结构异化本质的人口短时再分布问题,利用Agent建模技术分析了震级、防灾教育、信息沟通效率对人口应急避难问题的影响。
由于城市防灾减灾所研究的基本对象是城市,因此,对于城市这一研究主体准确的理解和定义就显得尤为重要。由于传统学科群的划分方法,各学科往往以自己所关注的核心来定义城
传统上,人们往往将城市承灾的基本过程分为如

图1 城市系统功能指标
Fig. 1 Urban system function index
(1)救援(Rescue)阶段
主要任务是对人员的救援,以最大限度地抢救居民生命为基本特征,通常的持续时间在24—72h(t1—t2);
(2)避难(Refuge)阶段
主要任务是为居民提供基本生存需求,对关键基础设施进行维修并制定恢复规划,时间一般在7d—3个月左右(t2—t3)。
(3)重建(Rebuild)阶段
城市从复工复学向正常生活发展,主要任务是永久性住房和相关性基础设施的建设,时间在3个月—1年(t3—t4);
(4)复兴(Revival)阶段
主要是优化产业发展,以经济建设为中心并涵盖文化、环境、管理等各方面的优化,时间大约是1—10年(t4—t5)。上述过程可以概括为城市灾后恢复的4R恢复过程,详可参阅文献[
既往城市韧性研究中,如果单纯的基于工程学的视角,通常以指标Q作为系统功能度量的标准,指标Q可能是正常功能的节点比
(1) |
或者以系统恢复正常的节点可服务的人员占比衡
(2) |
式中: Nnormal和Ntotal分别为系统功能正常的节点和总节点的数量;Pnormal和Ptotal分别为可获得系统正常服务的人口和总人口的数量。
然后,将该系统的韧性定义
(3) |
或
(4) |
然而考察灾后救援的实际过程可以发现,人们往往对“第一条通电的线路、第一条通车的道路、第一个复工的企业”等各类“第一”恢复的部分给予重点的关注,如按
考察这一矛盾背后不难发现,虽然在工程事实上均是恢复了10%的人口的供水,但是其社会意义是不同的,由于对工程系统的量化分析,忽视了工程系统在灾后所凸显的社会意义,仅以日常情况下的“日常标准”作为系统灾后是否“正常”的标准,在灾后这一特殊情景下失效了。因此,以供水管网为代表的工程系统,其真正的功能指标QS应在工程功能指标的基础上加以修正,即
(5) |
式中:QS是城市系统考虑社会影响的功能指标;θS是描述城市系统社会影响的量化参数,本文称之为城市系统社会影响因子。显然,θS是一个连接工程科学与社会科学之间的一个“桥梁”参数。考虑到城市灾后本质上是以人群再分布为本质的城市结构异化过程,人群的分布实质上表征了灾后人群需求突变的物理事实。
当考虑系统的社会影响以后,系统的韧性指标可以定义为
(6) |
或者
(7) |
式中:Rs为考虑系统社会影响以后的韧性指标。修正后Rs的数值与系统原先韧性指标值R之间的差异,还有待于进一步的研究。这一指标的得出,不仅依赖于对城市系统社会影响因子的构建和量化,更依赖于对某一系统的功能考察和评估。但是考虑系统的社会影响之后,工程系统的韧性指标不仅在逻辑上更具自洽性,而且能够兼顾工程系统的社会影响,从而实现跨学科的量化分析。即便二者在数值上差异不大,如此考虑也有重要的意义,一是修正后的指标RS不仅考察了系统的技术维度,而且考察了系统的社会维度,而这也是一些研究者所进行的努力,如文献[
参数θS定义为
(8) |
式中:Pleave为离开其日常活动场所的人员数;Pmove则为可移动人员数,如果不考虑日常残疾、婴幼儿或者丧失移动能力的老年人等,可以认为Pmove等于Ptotal。显然,日常情况所有人都各司其位,Pleave为0,则θS为1;而灾难发生以后,人们不得不离开其正常活动的位置,Pleave此时将大于0并小于Pmove,θS成为一个随时间变化的参数。随着城市的恢复,人们又逐渐回到其日常所在的位置,θS则逐渐变为1。为了量化θS,本文以Agent模型为基础,分析了震后短时间内人口向安全避难场所区域移动的过程中参数θS变化情况。
Agent模型通常翻译为智能体模型或者代理人模型,常用于对自然界不同系统间或者同一系统内不同部分之间相互作用的影响分析。本文假设震后的城市区域即Patches(Patch意为瓦片,是该类算法特有称谓)分为4类,分别是破坏区域、安全区域、道路区域、自然区域,分别以指定的Color变量来表示。应该认识到,整个城市的构成是复杂的,出于建模的简洁性,本文将一个城市的区域初步划分为上述4类,且模型中4类区域相互之间没有重叠。破坏区域、安全区域分别代表地震破坏区域、避难场所,自然区域、道路区域则代表城市内从破坏区域到安全区域的可通达场地。用Turtle来模拟灾后人员,并根据生命状态、健康状态、信息状态三类属性对Turtle模型进行分类,三类状态变量分别为XL、XH、XI,取值均为0或者1的二元变量,变量的取值和含义如
序号 | 类别 | 代表 | 特征 |
---|---|---|---|
1 | Patch 1 | 破坏区域 | Color=red |
2 | Patch 2 | 安全区域 | Color=green |
3 | Patch 3 | 道路区域 | Color=red+5 |
4 | Patch 4 | 自然区域 | Color=green+5 |
5 | Turtle 1 | 死亡人员或者重伤无法移动 | XL=0 或者 XL=1, XH=0 |
6 | Turtle 2 | 存活,移动,但不知道安全区域信息 | XL=1, XH=1,XI=0 |
7 | Turtle 3 | 存活,移动,且知道安全区域信息 | XL = 1, XH=1,XI=1 |
假设灾后所有人员均需从破坏区域撤退到安全区域,其基本决策过程如下:
(1)首先判断人员状态,如果人员已经死亡或者虽然存活但失去移动能力,则该人员无法移动,如果人员存活且身体健康,则可以进行移动,从而进入下一步;
(2)判断人员是否知晓安全区域信息,如果该人员已经知道,则该人员以其最近的安全区域方向进行移动,移动的速度设定为XV,否则执行下一步;
(3)如果人员不知道安全区域信息,则首先判断其视域范围内是否有避难场所,假设视域变量为XR,如果有安全场所,则该人员也可直接向该安全场所移动,如果该视域范围内没有避难场所,则需要判断是否有携带安全信息的移动人员,如果有,则借鉴SIR传播模型进行分析。SIR模型是经典的系统动力学模
该模型一般表达为
(9) |
(10) |
(11) |
式中:s(t)为t时刻所有的易感染者数;i(t)为t时刻所有已感染的人数;r(t)为t时刻已经康复的人数;β和γ分别是感染率和康复率。本文将已经知道避难场所信息的人比喻为感染者,而未知道避难场所信息的人比喻为易感者,感染率β是在移动过程中人员视域内的信息传播概率(即知道避难场所信息的人将避难场所的信息传达给不知道避难场所的人的沟通效率),当人员移动到安全场所后,成为“康复者”,本文中β称为信息沟通效率。如果视域内既无安全场所,也无携带信息的避难人员,则该人员执行随机移动策略,移动方向为36
上述决策过程可以概述为

图2 人员移动决策过程
Fig. 2 Decision-making process of personnel movement
为了说明本文方法的可行性,以Netlogo软件为基础,建立了基于Agent模型的城市灾后人口短时移动分析模型,如

图3 城市震后人群初始状态分布
Fig. 3 Distribution of initial state of population after urban earthquake
对于人口信息,为了加快计算速度,简单地假设总的人口为80单位,其中可移动人口数为地震烈度的函数,根据文献[
对于可移动人员中是否了解安全区域的位置,本文假设了解安全区域的人员与反映震前防灾教育水平的变量XE有关,取XE等于知道安全区域位置的人员数与总可移动人员数之比。从社会调查来
最后一个变量为视域范围内信息有效沟通的变量β,该变量的取值范围内为0~1。当β=0时,表示即使已经知道安全区域信息的人处于未知晓安全区域信息的人的视野范围之内,后者也无法得到所需信息;而β=1时,则表示一旦在未知晓安全区域信息的人视野范围之内出现已经知道安全区域信息的人时,前者就立刻得到其最近的安全区域的位置信息。
设定β=1,XQ=8,XE=0.5,人口的震后初始时刻、中间代表性时刻、最终时刻的分布状态如

图4 震后城市人口分布变动过程
Fig. 4 Changes in urban population distribution after the earthquake
由
假定变量X1代表了到达安全区域可移动人员与总体可移动人员之比,X2代表了到达安全区域可移动人员与总人员之比,则震后两变量随时间的变化如

图5 震后城市人口分布比例随时间的变化
Fig. 5 Changes of urban population distribution ratio with time after earthquake
该时间段内,城市系统的社会影响因子就等于1+X1,其变化曲线如

图6 震后城市系统社会影响因子
Fig. 6 Social impact factors of urban system after earthquakes
设定β=1,XQ=8,当变量XE=1时,考虑随机的初始城市区域分布和随机的人员分布,模拟1 000次并考察变量X1随时间的变化情况,结果如

图7 防灾教育指标XE=1时人员移动情况
Fig.7 Population distribution when the parameter XE=1
当β=0.8,XE=8,取XE分别取值为0、0.2、0.4、0.6、0.8和1不同的情况,考察变量X1各自模拟1 000次以后所得到的均值对比如

图8 防灾教育对人群移动的影响
Fig. 8 Impact of disaster prevention education on crowd movement
(2)当XE=0,即假设所有人员均不知道安全区域的位置,仅依靠随机移动的策略在视域内寻找安全区域时,其人员向安全位置迁移的效率将非常低,180min以后,也仅有2.41%的人到达了提前规划的安全区域,这提示了防灾教育的重要性。
为研究地震烈度对灾后人员移动的影响,取参数β=0.8,XE=0.8,当地震烈度分别为6、7、8、9、10时,考察人员移动的情况,分别模拟1 000次并取均值,其计算结果如

图9 地震烈度对人群移动的影响
Fig. 9 Influence of earthquake intensity on crowd movement
为反应信息沟通效率的影响,取XE=0.8,XQ=8,参数β的值为0、0.2、0.4、0.6、0.8、1,模拟1 000次并取均值,其计算结果如

图10 信息沟通效率对人群移动的影响
Fig. 10 Effect of information communication efficiency on crowd movement
本文在对典型震害进行调查的基础之上,揭示了震后城市结构异化的问题,提出了连接工程科学与社会科学之间的桥梁参数“城市系统社会影响因子”,并利用Agent建模技术分析了决定这一参数的灾后人口短时再分布问题,研究表明:
(1)利用灾后人口的重分布所定义的城市系统社会影响因子,可以有效协调灾后工程系统量化恢复对城市韧性的评价问题,从而打通工程科学与社会科学之间的关系;
(2)城市灾后人口短时再分布的情况,受到防灾教育、地震烈度和信息沟效率的显著影响,提前做好防灾教育,对于灾后人口向安全区域的迁移,有重要影响;较小的地震烈度、更好的信息沟通效率,对此也非常有利。
作者贡献声明
缪惠全:负责论文的构思、编程、撰写、修改等。
参考文献
ZHU S, LI D, FENG H. Is smart city resilient? Evidence from China[J]. Sustainable Cities and Society, 2019, 50: 1. [百度学术]
MENDONÇA D, WALLACE W A. Impacts of the 2001 world trade center attack on New York City critical infrastructures[J]. Journal of Infrastructure Systems, 2006, 12(4): 260. [百度学术]
LIU W, SONG Z. Review of studies on the resilience of urban critical infrastructure networks[J]. Reliability Engineering and System Safety, 2020, 193: 1. [百度学术]
HOU A, BENJAMIN Q, EDWARD A L, 等. Katrina飓风对新奥尔良市供、排水和污水处理系统的影响[J]. 中国给水排水, 2008, 24(4): 1. [百度学术]
HOU A, BENJAMIN Q, EDWARD A L, et al. Impact of Hurricane Katrina on water supply, drainage and sewage systems in New Orleans[J]. China Water & Wastewater, 2008, 24(4): 1. [百度学术]
MARSDEN J. Improving infrastructure resilience to extreme events: lessons from Katrina and Sandy[C/CD]//Proceedings of the International Symposium on Sustainable Systems and Technologies. Phoenix: [s.n.],2016. [百度学术]
COLTEN C E, KATES R W, LASKA S B. Community resilience: Lessons from New Orleans and Hurricane Katrina[R]. Oak Ridge, TN: Oak Ridge National Laboratory, 2008. [百度学术]
MEEROW S, NEWELL J P, STULTS M. Defining urban resilience: A review[J]. Landscape and Urban Planning, 2016, 147: 38. [百度学术]
BRUNEAU M, CHANG S E, EGUCHI R T, et al. A framework to quantitatively assess and enhance the seismic resilience of communities[J]. Earthquake Spectra, 2003, 19(4): 733. [百度学术]
翟长海, 刘文, 谢礼立. 城市抗震韧性评估研究进展[J]. 建筑结构学报, 2018, 39(9): 1. [百度学术]
ZHAI Changhai, LIU Wen, XIE Lili. Progress of research on city seismic resilience evaluation[J]. Journal of Building Structures, 2018, 39(9): 1. [百度学术]
吴志强, 李德华. 城市规划原理[M]. 北京: 中国建筑工业出版社, 2010. [百度学术]
WU Zhiqiang, LI Dehua. Principles of urban planning[M]. Beijing: China Construction Industry Press, 2010. [百度学术]
张小娟. 智慧城市系统的要素、结构及模型研究[D]. 广州: 华南理工大学, 2015. [百度学术]
ZHANG Xiaojuan. Research on the elements, structure and model of smart city system[D]. Guangzhou: South China University of Technology, 2015. [百度学术]
于山, 苏幼坡, 刘天适, 等. 唐山大地震震后救援和恢复重建[M].北京: 中国科学技术出版社, 2003. [百度学术]
YU Shan, SU Youpo, LIU Tianshi, et al. Rescue and rehabilitation of Tangshan Earthquake [M]. Beijing: China Science and Technology Press, 2003. [百度学术]
丁石孙. 城市灾害管理[M]. 北京: 群言出版社, 2004. [百度学术]
DING Shisun. Urban disaster management[M]. Beijing: Qunyan Press, 2004. [百度学术]
缪惠全, 王乃玉, 汪英俊, 等. 基于灾后恢复过程解析的城市韧性评价体系[J]. 自然灾害学报, 2021, 30(1): 10. [百度学术]
MIAO Huiquan, WANG Naiyu, WANG Yingjun, et al. An urban resilience measurement system based on decomposing post-disaster recovery process[J]. Journal of Natural Disasters, 2021, 30(1): 10. [百度学术]
OUYANG M, DUEÑAS-OSORIO L, MIN X. A three-stage resilience analysis framework for urban infrastructure systems[J]. Structural Safety, 2012, 36–37: 23. [百度学术]
CIMELLARO G P, TINEBRA A, RENSCHLER C, et al. New resilience index for urban water distribution networks[J]. Journal of Structural Engineering, 2016, 142(8): C4015014. [百度学术]
LIU W, LI Z, SONG Z, et al. Seismic reliability evaluation of gas supply networks based on the probability density evolution method[J]. Structural Safety, 2018, 70(2015): 21. [百度学术]
BALAEI B, WILKINSON S, POTANGAROA R, et al. Social factors affecting water supply resilience to disasters[J]. International Journal of Disaster Risk Reduction, 2019, 37: 101187 [百度学术]
KERMACK W O, MCKENDRICK A G. A contribution to the mathematical theory of epidemics[C]//Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character, 1927, 115: 700-721. [百度学术]
林铭, 金华, 徐汇川, 等. 基于Agent模型的城市轨道交通车站人群聚集风险的分析[J]. 城市轨道交通研究, 2018(8): 57. [百度学术]
LIN Ming, JIN Hua, XU Huichuan, et al. Analysis of crowd gathering risk at urban rail transit station based on Agent model[J]. Urban Mass Transit, 2018(8): 57. [百度学术]