1、2023 年第 6 期何可沁，等:空间大数据支持下城市安全生产风险评估方法引文格式:何可沁，程南炜，邓敏 空间大数据支持下城市安全生产风险评估方法J 测绘通报，2023(6):167-171 DOI:10 13474/j cnki 11-2246 2023 0188空间大数据支持下城市安全生产风险评估方法何可沁，程南炜，邓敏(中南大学地球科学与信息物理学院，湖南 长沙 410083)摘要:现有城市安全生产风险评估研究大多基于统计调查数据微观地评估单个企业或园区，没有充分考虑安全生产事故空间效应，难以适应于城市尺度安全生产风险评估。本文基于 H-V 风险评估框架综合分析区域致灾因子危险性、区域目
2、标暴露度和区域救援适应性等多个方面，构建城市安全生产风险评估体系，在多源地理空间数据支撑下量化分析城市安全生产风险指标，揭示城市安全生产风险分布格局，为城市安全生产防控与治理提供决策知识服务。以昆山市为研究区域，实现空间大数据支持下的城市安全生产风险评估。试验结果表明，昆山市安全生产高风险区域主要集中于玉山镇东部和南部，其中玉山镇南部致灾因子危险性较高，玉山镇东部致灾因子危险性与区域目标暴露度均较高。关键词:地理大数据;城市安全生产;风险评估中图分类号:P208文献标识码:A文章编号:0494-0911(2023)06-0167-05Urban safety production risk a
3、ssessment supported by spatial big dataHE Keqin，CHENG Nanwei，DENG Min(School of Geosciences and Info-Physics，Central South University，Changsha 410083，China)Abstract:Most of the existing studies on urban safety production risk assessment are based on statistical survey data to assess a singleenterpri
4、se or park，and without sufficiently considering the spatial effect of safety production accidents，which is difficult to adapt to theurban scale safety production risk assessment Based on the H-V risk assessment framework，this paper constructs the urban safetyproduction risk assessment system by comp
5、rehensively analyzing regional hazard factors，regional target exposure and regional rescueadaptation With the support of multi-source geospatial data，the urban safety production risk index is quantified based on spatialanalysis to reveal the distribution pattern of urban safety production risk，which
6、 could provide decision-making knowledge service for theprevention and control of urban production safety Taking Kunshan as the study area，the urban safety production risk assessmentsupported by spatial big data is realized The experimental results show that the high-risk areas of safety production
7、in Kunshan aremainly concentrated in the east and south of Yushan Town，and the risk of disaster factors is higher in the south of Yushan Town，whilethe risk of disaster factors and regional target exposure are higher in the east of Yushan TownKey words:geographic big data;urban safety production;risk
8、 assessment随着我国工业化与城镇化进程的快速推进，集约分布、迅速发展的生产企业给社会经济增长注入了强劲活力，同时也给城市安全运行带来了新挑战1-2。当前，我国生产企业数量增长快速，存在工作场地密集、地下空间交错和燃气管线复杂等特点，传统性和非传统性风险因素持续增加3，城市安全生产风险随之不断积累，生产事故概率和危害逐步增大。近年来，重大生产企业事故表明，当前城市安全生产风险管控能力滞后于城市生产建设速度4。生产企业类事故呈现事件突发、危害连锁的时空特征5，不仅对生产企业自身造成重大损失，而且给人民生命财产安全和城市公共服务设施保障带来严重威胁6。2018 年党中央、国务院印发了 关于
9、推进城市安全发展的意见，提出“强化安全风险管控，对城市安全风险进行全面辨识评估”的总体要求7-8。对城市开展大范围安全生产风险评估，构建系统、科学、可泛化的城市安全生产风险评估体系，发现生产企业高危隐患区域，对减少或避免重特大安全事故发生、确保城市安全生产及维护社会稳定具有重大现实意义9。目前，国内外专家学者从不同角度对风险进行描述10-11。文献 12提出风险是可能发生的损失程度与不确定性;文献 13 认为风险是危险事件发生概率;文献 14指出风险是致灾因子、承灾体及761收稿日期:2022-06-05作者简介:何可沁(1997)，女，硕士，主要研究方向为时空数据挖掘和风险评估。E-mail
10、:1575198842 qq com测绘通报2023 年第 6 期其脆弱性协同作用的效果，即风险=致灾因子承灾体脆弱性;联合国国际减灾战略(ISDR)组织提出风险是由人为或自然因素等致灾因子作用于承灾体脆弱性而引发破坏事件的概率，即风险=致灾因子脆弱性;国际减轻自然灾害十年(IDNDR)组织认为风险是指某区域特定时段内某个或系列事件造成破坏的严重程度15-16，即风险=事件发生的概率脆弱性。综上，现有风险评估多基于危险性(H)和脆弱性(V)维度构建风险评估指标，为本文城市安全生产风险评估提供了坚实理论框架。安全生产风险是指在生产过程中由安全隐患可能引发的、造成大面积生命财产安全遭受重大损失的灾
11、难性社会后果，通常包括火灾和爆炸等安全生产事故。现有城市安全生产风险研究主要基于企业点要素，即关注具体的、单一的危险源评价。如文献 15采用层次分析法建立企业综合环境风险指数，对松木岛化工园区内部企业个体进行分级评估;文献 17 收集了某工业园区中 5 家企业重大危险源分布及地理环境数据，综合个人风险、社会风险和潜在生命损失评估企业风险;文献 18 针对钢铁企业建立风险评估指标体系，运用层次分析法与熵权法对钢铁企业进行风险评估与评级。这类研究对数据精度和粒度要求高，调查数据内容涉及广且获取困难，较少顾及危险性的空间叠加效应和周围经济社会的脆弱程度，难以支持城市尺度的安全生产风险评估需求。随着位
12、置感知技术与数据库技术的快速发展，多源泛在地理大数据为全面认知城市“画像”提供了丰富数据源。此外，利用空间分析方法探索企业、人口、医疗、消防等城市要素分布格局与配置关系成为空间评估与服务决策的常用手段19-20。因此，本文基于 H-V 风险评估框架构建融合致灾因子危险性、区域目标暴露度和区域救援适应性的城市安全生产风险指标体系;在此基础上，协同多源地理空间大数据和空间分析技术精细量化大范围区域安全生产风险，为城市安全生产风险重点管控和企业分布格局优化等服务提供辅助决策知识。1研究区概况与数据预处理1.1研究区概况昆山市位于江苏省东南部，地处上海市和苏州市之间，内部河网密布，地势平坦，空气质量良
13、好。近年来，昆山市受上海“浦东效应”和本地人才计划等政策的大力支持，吸引了大量生产企业在此落地，经济发展快速。截至 2022 年，昆山市已连续17 年蝉联全国经济发展百强县首位。然而，生产企业的快速发展同时也带来了诸多安全生产问题，火灾和爆炸等潜在生产事故极大地威胁着人民生命财产安全与社会稳定。当前，昆山市正处于城市安全风险评估的重要阶段，因此本文选取昆山市作为研究区域，从安全生产的角度对城市安全进行评估。1.2数据源和数据预处理研究数据如图 1 所示，包括:通过 OSM 获取的道路和行政区划等基础地理矢量数据;从高德地图获取的昆山市医院、派出所和消防队位置信息;从 WorldPop 获取的昆
14、山市人口分布信息;从市委市政府联合各部门实施的风险评估方案中获取的昆山市火灾、爆炸等企业生产危险事件清单，以及操作不当、设备故障等企业生产隐患事件清单。数据预处理主要包括冗余处理、空间坐标系统一、数据裁剪与合并、数据归一化和空间数据网格化等步骤。具体的，仅保留一条原始数据中重复企业数据行;将企业、危险事件与隐患事件进行空间匹配，使之具有空间位置信息;运用 ArcGIS 软件，将数据统一至 WGS-84 坐标系下，通过昆山市行政区划空间信息，对企业数据、POI 数据、道路数据和人口信息进行裁剪提取;将昆山市划分为 1 km 1 km的规则网格，并作为研究单元。图 1研究数据概况8612023 年
15、第 6 期何可沁，等:空间大数据支持下城市安全生产风险评估方法2研究方法现有城市安全生产风险评估多基于单个生产企业或园区设计，对城市尺度风险分布格局和空间效应认识不足，难以有效支持大范围风险评估任务。本文将生产事故空间效应嵌入致灾因子危险性，进一步将承载体脆弱性细化为区域目标暴露度和救援适应性，构建城市安全生产风险评估指标体系。在此基础上，基于 H-V 风险评价框架计算城市安全生产风险值，综合指标体系如图 2 所示。图 2综合指标体系2.1城市安全生产风险指标体系构建H-V 风险评价框架分为致灾因子危险性和承载体脆弱性。其中，承载体脆弱性可进一步细分为区域目标暴露度和区域救援适应性21。2.1
16、.1致灾因子危险性致灾因子危险性指可能会危及城市安全生产的灾害源因素，本文选取生产企业自身危险性和空间分布效应两个测度。企业自身危险性由网格内企业自身火灾、爆炸等危险及操作不当、设备故障等隐患的联合分布衡量，公式为Risk(a)=j=1danj(a)danjhidj(a)hidj(1)式中，danj(a)和danj分别为网格单元 a 第 j 类危险等级和研究区域第 j 类危险均值;hidj(a)和hidj分别为网格单元a第j类隐患等级和研究区域第j类隐患均值。考虑到生产企业聚集分布导致的潜在危险和空间叠加，网格单元 a 空间分布危险性由自身及周围网格单元生产企业空间密度的邻近加权描述，即Vul(a)=C(a)area(a)+W(a，b)C(b)area(b)(2)式中，C(a)和 area(a)分别为网格单元 a 内生产企业数量和面积;C(b)和 area(b)分别为邻近网格单元 b内生产企业数量和面积;W(a，d)为网格单元a和b的标准正态分布距离权重。在此基础上，网格a的致灾因子危险性表示为d(a)=K(Vul(a)K(Risk(a)(3)式中，K()为数据归一化。2.1.2区域目