第1章 城市公共安全及其大数据双治理的基本认知
1.1 城市公共安全治理
1.1.1 城市公共安全的概念与特征
城市公共安全（city public safety）是指在城市范围内，面对各类公共安全风险，公民的地区居住环境、管理制度以及公共安全治理能力等外部环境的稳定程度（Wei and Lovegrove，2013；贾楠等，2019）。例如，同样是针对台风灾害，若城市能够通过有效管理及应对来防御台风灾害威胁，那么可认定城市处在安全状态；若城市不能完全免除台风威胁，而是以一定概率消除威胁，则在某一程度上认为城市处在安全状态。在本书中，城市公共安全风险的载体指的是带来风险的各类公共安全事件，一般可划分为城市社会安全、公共卫生、事故灾难和自然灾害四大类（El-Basyouny and El-Bassiouni，2013）。
在特定公共安全场景下，为保障城市范围内的公共安全，城市公共安全治理是政府提供的分析、共享、决策、协同、监督等方面的安全治理支持成果及其实现手段、执行路径和政策保障的措施总称。
1. 城市公共安全治理的分类
城市公共安全治理按不同标准可划分为不同类型，典型划分包括以下几部分。
**，根据城市公共安全问题，城市公共安全治理可大致划分为城市社会安全治理、公共卫生治理、事故灾难治理以及自然灾害治理四类。
第二，根据城市公共安全治理的内容，可划分为监测预警、应对处置指挥、物资调度、疏散救援、风险交流和应对准备等。
第三，根据城市公共安全治理的实现过程，可划分为分析、共享、决策、协同、监督等。
2. 城市公共安全治理的供给模式
如何基于治理需求，优化治理供给，是城市公共安全治理和决策研究中的关键问题，包括利益相关者关系和资源供给配置等基础问题（刘素霞等，2016；Saghafian et al.，2012）。本书以公共安全治理存在的问题为导向，剖析公共安全治理问题应对的大数据分析需求；同时，根据公共安全治理大数据分析模式应用存在的现实安全治理问题来刻画治理供给，即通过大数据治理问题的分析与解决来促成大数据分析模式实现。
1.1.2 城市公共安全治理的大数据驱动
在城市公共安全治理领域，大数据应用已成为新的发展趋势，探索适应国家经济社会发展需求的大数据驱动城市公共安全治理实践是重大而紧迫的历史使命。国务院印发的《“十四五”国家应急体系规划》进一步强调了大数据驱动应急在新阶段应急管理中的重要地位，提出新阶段要“系统推进‘智慧应急’建设，建立符合大数据发展规律的应急数据治理体系”（国务院，2022）。
1. 城市公共安全治理的大数据应用
随着城市公共安全事件复杂性的不断提高和城市公共安全管理需求的不断扩大，大数据驱动公共安全治理成为趋势，各类大数据分析应用不断涌现（刘奕等，2021）。**，公共安全风险感知。典型的应用包括风险监测、预测等，如基于大规模社交媒体数据反映居民滞留情况，构造城市暴雨内涝风险精准识别的机器学习模型（Fang et al.，2019）。第二，公共安全风险评估。通过大数据驱动下的数据交互规律发现，公共安全风险评估指标不断更新，涌现出众多基于大数据的风险分析方法。例如，有研究从数据开放平台提供的人口和设施数据中识别内涝风险，建立相应的内涝风险评估模型（Lin et al.，2018）。第三，公共安全应急决策。例如，有学者提出基于手机定位数据来分析灾害风险、交通拥堵等情况，由此建立相应的物资配置模型，可以有效解决传统物资配置过程中的时效性差和规划失准等问题（Wang et al.，2021）。
2. 城市公共安全治理的大数据分析方法
城市公共安全的大数据按类型可划分为结构化大数据、半结构化大数据和非结构化大数据三类，下面分别阐述相应大数据分析方法的研究。
**，结构化大数据分析方法。结构化大数据的分析方法以数据统计方法和数据挖掘技术为代表（Chen et al.，2012）。①基于统计学的分析方法。基于统计学的分析方法是一类由理论分析到数据分析验证的实证类分析方法，该类数据分析方法通常建立在假设基础上，分为预测、判别、聚类、综合评价和关联性分析等（Yu et al.，2018）。②基于数据挖掘技术的分析方法。该类分析方法强调从数据的简单分析中创造性地识别未经理论分析的新颖结论，由此丰富已有理论。例如，从对社交媒体内容的分析中发现内涝过程中的居民关切，还可以进一步分析内涝风险；再如，从电力数据中识别住宅内部的火灾行为风险，将分析结果及时反馈给消防管理部分，避免火灾事件的发生或减少影响。在该类方法中，时空数据挖掘具有很高的价值知识，主要算法有：DFS_MINE 用于挖掘频繁序列模式；图挖掘算法用于研究轨迹信息（Lee et al.，2009）；云计算方法可用于大数据分析，实现固有数据分析算法的计算能力提升（庞素琳，2015）。除此之外，还有学者研究基于粒计算的多层级数据挖掘方式，即面向特定管理问题分粒度层地管理组织数据，实现这些数据的系统化应用。例如，有学者将粒计算方法用于突发事件的情景分析，为决策者提供关键情景信息支持（陈雪龙等，2017）。
第二，半结构化大数据分析方法。随着Web 2.0的社交系统的发展，网站智能化、网站分析和用户创作内容已引导大数据分析的新纪元，半结构化大数据分析方法应运而生。其中，文本和网页数据分析占主导地位（Chen et al.，2012；Doan et al.，2011）。当前，文本和网页数据分析研究集中于以下几方面。①特征维度提取约简。该问题主要基于信息增益算法与卡方分析等，也有研究基于潜在语义索引（latent semantic indexing），通过代数变化方式将高维度数据约简至低维度子空间中以降低数据规模。②文本分类与聚类。目前，该部分研究以方法论为主，如*大熵模型与模糊理论等分类方式，以及K-means（K均值聚类）算法、分层聚类法等聚类方法。③文本关联规则分析。文本关联规则分析旨在发现文本中包含的潜在关联关系，面向动态文本数据则关注这类关联关系的稳定性与重复性。该方面研究主要结合主流的关联规则挖掘算法，如Apriori算法与FP-Growth 算法等。④语义情感分析。情感分析的前提工作是对情感进行分类，在构建标记情感值的情感词集基础上，分别采用朴素贝叶斯、*大熵与支持向量机方法实现基于机器学习的自动分类（尹裴和王洪伟，2016）。
第三，非结构化大数据分析方法。进入Web 3.0（基于移动和传感）时代后，产生了大量的非结构化数据，如视频图像数据、文本数据、遥感数据等，对这些数据的分析方式在不断更新进化之中。截至目前，国内外学者的研究主要集中于可视化分析以及移动分析两方面。①可视化分析。不管是对于数据分析专家还是普通用户，数据可视化是数据分析工具*基本的要求。在大数据可视化研究中，*先是文本可视化，是将互联网*具典型的非结构化数据依据其文本分析属性如词汇出现频次、概念关联等展示出来（Zhao et al.，2012）。其次是网络可视化，这一点主要应用在社会网络的研究中，基于网络图分析之中的节点关系抽取，实现网络节点间关系的显性表达。再次是时空数据可视化，对带有地理位置与时间戳的数据进行展示（Hey et al.，2012），以此反映对象的时空变化特征。*后是多维数据可视化，主要基于几何图形或图标。②移动分析。目前，移动数据分析还未形成完善的方法体系，但由于其巨大的潜在价值，已被广泛应用于商业、医疗、教育、公共管理等领域（Provost et al.，2015）。其中，商业领域研究居多，集中于需求分析和营销方面。需求分析方面，有学者利用结构化计量经济学模型估计移动应用的需求量，发现消费者对移动应用的需求量随应用内包含的购买渠道数量的增加而增加（Ghose and Han，2014）。营销方面，有学者利用移动设备的位置数据设计相似用户网络，并通过广告推送等方式获取价值（Provost et al.，2015）。
1.1.3 城市公共安全治理的问题边界
前述城市公共安全治理的定义可从三个维度理解：**，有效的城市公共安全治理离不开组织建设、政策规制、执行路径、技术支持等各类活动的支撑，这些不同侧面的活动共同影响治理分析决策及其实现；第二，城市公共安全治理是一类治理活动，其核心在于有目标的管理控制，即在开展前述各类活动时需要对支持成果（如火灾隐患识别准确性、风险沟通时效性等）进行界定，确定安全治理需要达成的成果边界；第三，城市公共安全治理的实现需要明确相应的支持手段，本书关注安全治理的大数据分析模式，因而将数据维度要素纳入治理问题的维度框架。综合上述分析可知，城市公共安全治理是一类系统性治理问题，治理问题及问题描述要素需要以治理活动-数据手段-支持成果为框架进行多维度界定。本章在剖析活动、数据、成果三个维度问题要素的基础上，采用多维质量屋模型描述城市公共安全治理的问题结构，反映的是以不同支持成果为目标的安全治理活动配置与大数据手段支持，如图1-1所示。
图1-1 城市公共安全治理问题结构的质量屋表达
1. 治理问题的活动维
城市公共安全治理通常涵盖组织、流程、规制、技术等四类活动要素，它们共同作用于治理支持成果的获得。例如，城市治安的精细化管理离不开网格化管理、统一指挥和多级联动等组织建设保障，社区防火的协同性和时效性实现往往需要风险动态感知和数据集成等技术类活动支持。在采用大数据手段支持治理的同时，需要不断更新风险协同应对和大数据分析的流程，亦需要不断调整治理绩效评价和治理效果评价等的政策规制，形成全方位的活动保障。
2. 治理问题的数据维
在配置各类服务活动时，这一领域的大数据通常存在数据不平衡（城市公共安全治理的案例、小样本数据、大数据并存）、共享不充分、技术应用未达标等各方面的问题要素，需要从数据维度加以认知和处理。本书结合已有大数据治理研究和领域知识提炼了八大类典型的大数据治理问题，涉及数据可获得性、数据共享性、数据处理合规性、数据质量等方面。
3. 治理问题的成果维
本章将公共安全治理的支持成果界定为服务预期达到的治理目标。在精细化管理和精准化治理背景下，成果维通常包括风险动态管理下的治理时效性、多方参与下的治理协同性、治理准确性、问题可获得性（即决策者能有效识别服务存在的问题）等问题要素；同时，安全治理具有情景依赖性，其成果界定需要明确风险规模、风险复杂性、隐蔽性、动态性等与公共安全风险情景相关的要素，本章将该类要素纳入服务问题的成果维中。
4. 治理问题的质量屋结构表达
依据商务治理问题的前述三个维度建立问题结构的质量屋表达，如图1-1（a）所示。具体而言，问题质量屋可被描述为一个六元组：，各变量说明如下。
AE：问题活动维要素向量，组中共有m个元，其中第k个元为。
C：活动维要素间的关联关系，可划分强、中、弱等不同等级，进一步支持关联分析。
DE：问题数据维要素，组中共有n个元，其中第l个元为。
R：活动维与数据维要素间的关联关系，亦可划分不同程度等级用于关联分析。
AP：活动维的问题分析结果，经过分析获得的活动维要素显著性，可按程度划分为强/显著、中/较显著、弱/不显著等不同等级。
DP：数据维的问题分析结果，经过分析获得数据维要素显著性。
以质量屋问题结构为基础，可以对公共安全治理问题进行细化表达，一个典型示例如图1-1（b）所示。进一步地，可以决策者和领域专家知识为依据，对问题要素赋予不同权重，建立问题分析结果的量化表达。
1.1.4 城市公共安全治理的聚焦场景
1. 城市公共安全的内容
本书根据已有文献和城市公共安全治理实践调研，梳理
展开
