吴俊杰 杜文宇：利用智能物联网提升城市安全风险预见能力

gecccn

吴俊杰 杜文宇（北京航空航天大学经济管理学院教授；北京航空航天大学经济管理学院副教授）

  2020年3月31日，习近平总书记在调研杭州城市大脑运营指挥中心时强调，让城市更聪明一些、更智慧一些，是推动城市治理体系和治理能力现代化的必由之路，前景广阔。
  城市安全是城市治理体系和治理能力现代化建设的重要环节。近年来出现的城市安全问题，如上海外滩踩踏事件、天津特大爆炸事件、各地新冠肺炎疫情等，暴露了我国在城市安全治理方面还存在一些不足。不少地区开始将大数据、物联网、人工智能等新兴信息技术应用到城市治理中，并取得了一定的效果。但是，这些应用目前还主要聚焦于城市风险的实时管控，并没有很好地发挥出物联网的“智能化”特点，和习近平总书记提出的“让城市更聪明、更智慧”的要求仍存在相当程度的距离。
  如果把城市中泛在的物联网视为城市安全治理大脑的“触角”，对触角每时每刻传递回来的时空轨迹及多媒体大数据进行深度融合与智能分析的能力，就决定了城市安全治理的智能化水平。“深度融合”意味着物联网感知大数据与城市治理政务大数据的整合共享，以形成数字化生态网络与推动城市治理创新的数据中台。“智能分析”则意味着大规模机器学习和人工智能算法的广泛使用，而这些算法应有适应治理业务需求并融合业务人员知识之能力，并能够提升业务人员对城市风险的预见性，做到防患于未然。
  笔者所在的北京航空航天大学经济管理学院“数据智能研究中心”，长期致力于打造基于智能物联网的城市安全管理系统，并深度参与了城市危险品运输管理、多部门联合新冠肺炎疫情防控预测、全国群体性事件分析等工作。工作经验表明，要利用智能物联网提升城市安全风险预见能力，必须切实做好以下几点（在下文举例中，用“项目团队”代表笔者所在研究中心的参与成员）。
  加强风险预测与防范工作
  习近平总书记在十九届中央政治局第二次集体学习时强调，要充分利用大数据平台，综合分析风险因素，提高对风险因素的感知、预测、防范能力。现有物联网应用主要集中在风险的实时监控，在预测和防范方面投入不足。实时监控通过提供数据，支撑管理者事中决策和事后响应，体现了城市治理的信息化，而风险预测通过提供数据分析，辅助管理者事前决策和防范，体现了城市治理的智能化。
  例如，北京市危险品运输管理工作中，项目团队改变传统以危险品车辆实时管控为主的思路，将风险预测作为核心工作任务，投入大量精力构建时空预测模型，通过分析危险品和人口分布的时空数据，预测风险出现的时间和地点，辅助业务部门提前部署防控资源。
  新冠肺炎疫情防控预测工作中，项目团队投入了大量精力构建病毒传播模型，基于传染病动力学原理，预测未来确诊病例数、实际感染人数，预测结果有力支撑了湖北省疫情防控策略调整、全国各省返工复产方案等重要政策的制定。
  注重全局视角和风险溯源
  在风险预测和防范的实际工作中，业务部门常由于防控资源有限，很难对所有安全隐患进行防控，造成风险预见性无法转化为实际效能。究其原因，这类预测采用了“头痛医头、脚痛医脚”的局部视角，没有从根本上改变业务部门疲于奔命的局面。
  相比之下，从全局视角出发的风险溯源将产生更明显的效果。通过识别和解决风险源头的隐患，业务部门将降低城市整体而非局部的风险。此外，风险溯源给业务部门充分的研判和资源调度时间，对防控资源的需求也大幅下降，因此具有更强的可行性。
  例如，在北京市危险品运输管理工作中，项目团队发现了一些长期出现、稳定的风险区域，并通过危险品车辆轨迹，构建了这些区域之间的风险传染关系，从而发现了风险产生的多个重要源头。业务部门集中力量对这些源头展开治理，在不增加防控资源的情况下，有效降低了城市的风险。
  在新冠肺炎疫情防控预测工作中，项目团队基于重点关注人群的移动轨迹，开展了疾病传染关联分析，完成了对传染源的追溯，从而实现了对接触者的快速锁定和疫情阻断，对山东司法系统某单位重大疫情的调查做出了贡献。
  坚持以人为本
  城市安全治理常进入一个误区，即聚焦危险本身而忽略了人的需求。例如，一些危险品的监控工作聚焦于危险品运输车辆的轨迹，通过分析车辆实时定位系统所上传的位置数据，将车辆聚集的区域认定为高风险区域。这种做法看似合理，但忽略了人的诉求。对于城市居民而言，危险品车辆较少但人流密集区域的风险，要高于危险品车辆较多但人流稀疏区域的风险。
  北京市危险品运输管理工作中，项目团队在收集危险品车辆分布数据的基础上，加入了能够反映人口分布的手机信令数据（居民手机和附近基站之间进行信号连接的次数记录，不记名、不含隐私信息）。信令数据统计了任意区域手机用户的数量，从而可以推断该地区的人口数量。融合危险数据和人口数据的新变量，反映出最“致命”的城市风险。
  新冠肺炎疫情防控预测工作中，项目团队在感染、发病、治疗等健康医疗数据的基础上，融合人口流动、路网结构、时空关联等较为复杂的数据，借助深度学习的方法，实现了跨领域多源数据的深度融合，从而帮助业务部门全方位了解了城市居民的行为模式与安全需求，为开展精准疫情防控提供了重要支持。
  融合人机智能
  大数据和人工智能算法可以帮助业务部门快速发现疑似的风险源头，但对于源头的研判确认、风险传染分析，以及相应治理方案的制定，还需要业务人员的深度参与，因为机器分析的结果不能有效考虑人的常识和经验。
  例如，北京市危险品管理系统的分析结果显示，北京市最重要的风险源头是东四北大街和建国门内大街的一片区域，但数据分析结果不能解释这一区域成为风险源头的原因。基于业务人员的经验，该区域的风险主要源自餐馆对液化气的需求。该地区是北京文化休闲和娱乐区，著名的“簋街”特色小吃一条街就在这里，其火锅、烤鱼、麻辣小龙虾等特色餐饮吸引了众多的食客，也导致餐馆对煤气罐等危险货物的需求居高不下；运输煤气罐的车辆来往于簋街和郊外工厂，也提升了沿途区域的风险。基于这一原因，后续治理采用了铺设天然气管道的方式，使该地区告别了煤气罐时代。
  在新冠肺炎疫情防控预测工作中，数据分析可以快速识别传染源头、传播轨迹，但无法得出背后的原因和机理；而业务人员基于经验，在数据分析结果的基础上，可以对传染源出现的原因进行合理评估，对传播轨迹产生的机理进行合理推断，从而制定有针对性的防控措施。