论文部分内容阅读
摘要：通过对太原市2003-2012年火灾数据建立时间序列ARIMA模型，预测出2013年和2014年每月的火灾起数，并对比2013年的实际火灾数据和预测数据，分析讨论了预测数据和实际数据存在偏差的原因，并针对2014年预测数据提出相应的对策建议。
关键词：火灾统计数据；时间序列；ARIMA模型
Abstract：This article build a time serial model based on the fire statistical data of Tai Yuan， which predicted the fire data of 2013 and 2014. It compared the real data and the predicted data and analyzed the reason of the differences between them， and offered some advices and measures to prevent fires according to the predicted data of 2014.
Key words： Fire Statistical Data； Time Serial； ARIMA model
随着工业化、城市化步伐的加快，各类致灾因素的增多，太原市火灾发生几率和防控难度都相应增大、预防和扑救火灾的难度加大，火灾危害大幅上升，我国处在一个火灾高风险时期。太原市商业中心、居民住宅和各类工业园区等有大量人员密集场所，有些建筑电气线路陈旧，火灾隐患多，发生火灾的概率较大。
由于太原市四季分明，火灾可能存在季节性规律，而且数据序列以年和月为周期，所以应当选用针对具有时间周期性序列的数据分析方法，即时间序列分析。时间序列分析主要用于描述和探索现象随时间发展变化的数量规律性，时间序列分析最为常用的ARIMA模型，可以将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列[1]。该模型可以从时间序列的过去值及现在值来预测未来值，从而达到预测太原市未来火灾起数的目的。
1 太原市火灾起数ARIMA模型的建立
本章火灾指标数据来自公安部火灾统计管理系统，选取2003-2012年每月火灾起数数据建立模型。
建立ARIMA模型的一般分为以下4个步骤：
（1）通过差分等变换使原始时间序列满足平稳性的要求。
（2）模型识别，主要是利用ACF、PACF等序列估计模型的大致类型，并给出几个初步模型以待进一步验证和完善。
（3）参数估计和模型诊断，判断模型的合理性。
（4）预测，利用最优序模型对序列的未来取值和走势进行预测。
1.1 平稳时间序列
事实上，大多数初始数据序列建立的时间序列都是不平稳的。火灾起数时间序列表现出一定的趋势性，即时间序列作为一个随机样本，其均值、方差和自相关系数随时间变化[2]。所以在建模之前应先验证序列的平稳性，并将不平稳的序列转化为平稳序列。
主要方法是根据时间序列的序列图、自相关函数和偏自相关函数图的趋势及其季节性变化规律，对序列的平稳性进行识别[3]。
图1.1为太原市原始时间序列图，可以看出时间序列中存在着较为明显的季节周期性。观察图1.2原始序列偏自相关和图1.3原始序列自相关图可看出原始序列存在强烈的随季节波动性。
单位根的t检验统计量均小于1%、5%、10%三个显著水平下的临界值，则序列为平稳序列，表1.1调整后序列单位根检验可看出，单位根检验统计量小于三个显著水平值，可认为原始序列通过一阶季节性差分和一阶非季节性差分后，已调整为平稳序列。
1.2 模型的建立和预测
模型的识别主要利用自相关（ACF）、偏自相关（PACF）进行估计，根据一阶季节性差分后又一阶非季节性差分的平稳时间序列自相关和偏自相关图可以看二者出都具有拖尾性，可建立ARMA模型，因此p，q都取1。
因此，在SPSS21数据分析软件中建立模型，见表1.2模型描述。
2 预测数据与实际数据对比
2013年1月至2014年12月的预测值及置信区间见表1.4和表1.5。
从表1.4中可以看出预测数据与实际数据最大绝对误差为21起，最小误差为1起。将预测数据与实际数据转化成折线图，如图1.10所示。从图1.10可以看出火灾起数变化总体趋势一致，都是先下降后略有上升，预测数据较为准确，说明该模型可以用来预测2014年的火灾起数。
利用该模型预测出的2014年每月的火灾起数见表1.5。可以看出2014年火灾趋势大致为先明显下降后略微上升，全年火灾总起数比2013年有所减少。
4 预测结果的分析与讨论
从2013年火灾起数预测数据与实际数据对比表和对比图中可以看出1月、6月、11月的数据偏差较大。2013年实际火灾总起数为1409，预测总数为1371，总起数上偏差很小，全年整体趋势变化比较一致。分析1月、6月、11月数据存在较大偏差可能的原因有以下几种。
（1）预测方法存在一定局限和误差属于正常现象，任何一种算法和模型都不可能做到零误差。该模型在平滑和差分的过程和建立模型预测的过程都会产生一定误差，导致最终得到预测数据和实际数据存在一定偏差[4]。
（2）近几年来全球气候发生着显著的变化，自然灾害频发，气候因素对火灾起数也造成一定影响的[5]。例如，发生在2011年3月11日的东日本大地震，震后引起了包括福岛核电站爆炸的278起火灾。2013年，太原市气候比较干燥少雨，可能会造成火灾起数的增加，但预测时并未考虑气候变化的因素，仅仅按照前10年的季节规律对未来的火灾数据进行预测，因此预测数据与实际数据会存在一定的偏差。 （3）2013年开展的消防安全大排查大整治活动对火灾起数有一定影响。2013年6月9日，公安部召开电视电话会议，安排部署消防安全大排查、大整治活动。会后，山西省总队决定在全省深入开展消防安全大排查、大整治活动。这次整治活动重点对宾馆、饭店、商场、医院、福利院等公众聚集场所和人员密集场所，以及易燃易爆危险品生产、经营、储存单位，进行消防隐患排查。这次活动在社会单位户籍化基础上，结合社会单位的自查自纠，对重点单位进行排查和整治，目的在于通过开展消防安全大排查大整治，最大限度减少火灾隐患，查处消防违法违规行为，坚决预防和遏制重特大火灾事故发生，提高社会火灾防控能力。
与往年的数据相比，2013年6月至10月每月的火灾起数都有所下降，而且6月预测起数比实际起数多了20起，这可能是大排查大整治活动有效减少了火灾隐患、遏制部分火灾的发生。
5 对策建议
通过观察ARIMA模型预测得到的火灾起数及趋势，可以提出相关建议如下：
（1）2014年1月至4月的预测火灾起数最大，所以在未来一年里1月至4月是火灾防控的重点月份。11月和12月火灾起数有略微上升的趋势，因此在进入冬季前要做好排查整治等消防监督管理工作。强化监督检查与排查整治，及时发现并清除建筑火灾隐患。针对火灾风险较高的建筑，深入开展监督检查，切实增加高危场所监督检查频次，加大监督执法力度，严厉查处违法违规行为，尽可能降低火灾风险。
（2）做好消防宣传教育工作。大力宣传贯彻《消防法》，实现以法治火。指导各有关部门依法履行消防宣传工作职责，协助做好动员和发动群众开展社会化消防宣传工作，履行维护社会公共消防安全的义务。利用社会新闻舆论阵地，加强媒体宣传。充分利用报刊、电视、广播、网络等媒体作用，及时报道重要的消防新闻，普及消防法律法规和消防安全知识，曝光消防违章违法行为，开展舆论引导和监督，切实提高广大群众的消防安全意识和消防法制观念。虽然2014年预测火灾起数比2013年有所下降，但为了保证不出现反弹，必须对消防宣传教育工作常抓不懈，只有大众对火灾的认识不断提升，才能从根本上实现对火灾的预防和及时扑救。
（3）严把源头关。严格消防设计审核、验收制度。从建筑内部的自动消防设施、消防水源、防火分区、电器线路等方面满足火灾预防和扑救的需要。在建设过程中，强化建筑工程建设、设计、施工等单位的质量责任意识，依法严肃查处违反消防法规和消防技术标准的建设、施工等行为，督促各消防质量责任主体在建筑建设过程中认真落实国家消防技术标准，确保建筑建设消防质量。
（4）强化战备执勤，开展实地演练。集中组织消防部队开展了对各类建筑的灭火实战演练和理论培训，从如何抢救人员，如何实施灭火救援、火场供水等方面，用科技的方法和手段，研究出切实可行的办法，掌握灭火救援的主动权。另外还应当加强消防装备建设，为快速展开灭火救援工作奠定基础[6]。
（5）提升消防人员业务水平。2013年大排查大整治活动在一定程度上有效减少了火灾隐患，预防了部分火灾的发生。在2014年，消防监督管理工作仍然不能松懈，同时要定期对消防工作人员进行专业知识培训，不断提高消防人员的业务水平，只有这样才能及时准确的找出和消灭火灾隐患，减少火灾的发生。
参考文献
[1] 张艳苏，于涛.基于ARIMA模型的火灾统计数据预测方法研究[J].武警学院学报，2010，37（7A）：37-39.
[2] Bates J M， Granger C W J. The combination of forecasts[J].Operations Research Quarterly， 1969， 20（4）：319-325.
[3] 安振宇，陈云国.基于火灾统计数据的火灾形势综合评价和定量预测[J].中国安全生产科学技术，2006，2（2）：29-33.
[4] 冯明静，徐辉.火灾数据统计分析与预测模型研究[C].中国消防协会科学技术年会论文集，2010，513-515.
[5] 刘宁，祝国苓.火灾与气象因素的相关性研究[J].武警学院学报，2010，26（2）：22-25
[6] Ravise C， Sebag M. An advanced evolution should not repeat its Past errors[J]. Proceedings of the 3rd international conference on machine learning， 1996，4： 408.
作者简介：邓雨涵，女，山西忻州人，1990.11生，现就读于中国人民武装警察学院研究生三队，专业为安全工程（火灾勘察方向）。
关键词：火灾统计数据；时间序列；ARIMA模型
Abstract：This article build a time serial model based on the fire statistical data of Tai Yuan， which predicted the fire data of 2013 and 2014. It compared the real data and the predicted data and analyzed the reason of the differences between them， and offered some advices and measures to prevent fires according to the predicted data of 2014.
Key words： Fire Statistical Data； Time Serial； ARIMA model
随着工业化、城市化步伐的加快，各类致灾因素的增多，太原市火灾发生几率和防控难度都相应增大、预防和扑救火灾的难度加大，火灾危害大幅上升，我国处在一个火灾高风险时期。太原市商业中心、居民住宅和各类工业园区等有大量人员密集场所，有些建筑电气线路陈旧，火灾隐患多，发生火灾的概率较大。
由于太原市四季分明，火灾可能存在季节性规律，而且数据序列以年和月为周期，所以应当选用针对具有时间周期性序列的数据分析方法，即时间序列分析。时间序列分析主要用于描述和探索现象随时间发展变化的数量规律性，时间序列分析最为常用的ARIMA模型，可以将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列[1]。该模型可以从时间序列的过去值及现在值来预测未来值，从而达到预测太原市未来火灾起数的目的。
1 太原市火灾起数ARIMA模型的建立
本章火灾指标数据来自公安部火灾统计管理系统，选取2003-2012年每月火灾起数数据建立模型。
建立ARIMA模型的一般分为以下4个步骤：
（1）通过差分等变换使原始时间序列满足平稳性的要求。
（2）模型识别，主要是利用ACF、PACF等序列估计模型的大致类型，并给出几个初步模型以待进一步验证和完善。
（3）参数估计和模型诊断，判断模型的合理性。
（4）预测，利用最优序模型对序列的未来取值和走势进行预测。
1.1 平稳时间序列
事实上，大多数初始数据序列建立的时间序列都是不平稳的。火灾起数时间序列表现出一定的趋势性，即时间序列作为一个随机样本，其均值、方差和自相关系数随时间变化[2]。所以在建模之前应先验证序列的平稳性，并将不平稳的序列转化为平稳序列。
主要方法是根据时间序列的序列图、自相关函数和偏自相关函数图的趋势及其季节性变化规律，对序列的平稳性进行识别[3]。
图1.1为太原市原始时间序列图，可以看出时间序列中存在着较为明显的季节周期性。观察图1.2原始序列偏自相关和图1.3原始序列自相关图可看出原始序列存在强烈的随季节波动性。
单位根的t检验统计量均小于1%、5%、10%三个显著水平下的临界值，则序列为平稳序列，表1.1调整后序列单位根检验可看出，单位根检验统计量小于三个显著水平值，可认为原始序列通过一阶季节性差分和一阶非季节性差分后，已调整为平稳序列。
1.2 模型的建立和预测
模型的识别主要利用自相关（ACF）、偏自相关（PACF）进行估计，根据一阶季节性差分后又一阶非季节性差分的平稳时间序列自相关和偏自相关图可以看二者出都具有拖尾性，可建立ARMA模型，因此p，q都取1。
因此，在SPSS21数据分析软件中建立模型，见表1.2模型描述。
2 预测数据与实际数据对比
2013年1月至2014年12月的预测值及置信区间见表1.4和表1.5。
从表1.4中可以看出预测数据与实际数据最大绝对误差为21起，最小误差为1起。将预测数据与实际数据转化成折线图，如图1.10所示。从图1.10可以看出火灾起数变化总体趋势一致，都是先下降后略有上升，预测数据较为准确，说明该模型可以用来预测2014年的火灾起数。
利用该模型预测出的2014年每月的火灾起数见表1.5。可以看出2014年火灾趋势大致为先明显下降后略微上升，全年火灾总起数比2013年有所减少。
4 预测结果的分析与讨论
从2013年火灾起数预测数据与实际数据对比表和对比图中可以看出1月、6月、11月的数据偏差较大。2013年实际火灾总起数为1409，预测总数为1371，总起数上偏差很小，全年整体趋势变化比较一致。分析1月、6月、11月数据存在较大偏差可能的原因有以下几种。
（1）预测方法存在一定局限和误差属于正常现象，任何一种算法和模型都不可能做到零误差。该模型在平滑和差分的过程和建立模型预测的过程都会产生一定误差，导致最终得到预测数据和实际数据存在一定偏差[4]。
（2）近几年来全球气候发生着显著的变化，自然灾害频发，气候因素对火灾起数也造成一定影响的[5]。例如，发生在2011年3月11日的东日本大地震，震后引起了包括福岛核电站爆炸的278起火灾。2013年，太原市气候比较干燥少雨，可能会造成火灾起数的增加，但预测时并未考虑气候变化的因素，仅仅按照前10年的季节规律对未来的火灾数据进行预测，因此预测数据与实际数据会存在一定的偏差。 （3）2013年开展的消防安全大排查大整治活动对火灾起数有一定影响。2013年6月9日，公安部召开电视电话会议，安排部署消防安全大排查、大整治活动。会后，山西省总队决定在全省深入开展消防安全大排查、大整治活动。这次整治活动重点对宾馆、饭店、商场、医院、福利院等公众聚集场所和人员密集场所，以及易燃易爆危险品生产、经营、储存单位，进行消防隐患排查。这次活动在社会单位户籍化基础上，结合社会单位的自查自纠，对重点单位进行排查和整治，目的在于通过开展消防安全大排查大整治，最大限度减少火灾隐患，查处消防违法违规行为，坚决预防和遏制重特大火灾事故发生，提高社会火灾防控能力。
与往年的数据相比，2013年6月至10月每月的火灾起数都有所下降，而且6月预测起数比实际起数多了20起，这可能是大排查大整治活动有效减少了火灾隐患、遏制部分火灾的发生。
5 对策建议
通过观察ARIMA模型预测得到的火灾起数及趋势，可以提出相关建议如下：
（1）2014年1月至4月的预测火灾起数最大，所以在未来一年里1月至4月是火灾防控的重点月份。11月和12月火灾起数有略微上升的趋势，因此在进入冬季前要做好排查整治等消防监督管理工作。强化监督检查与排查整治，及时发现并清除建筑火灾隐患。针对火灾风险较高的建筑，深入开展监督检查，切实增加高危场所监督检查频次，加大监督执法力度，严厉查处违法违规行为，尽可能降低火灾风险。
（2）做好消防宣传教育工作。大力宣传贯彻《消防法》，实现以法治火。指导各有关部门依法履行消防宣传工作职责，协助做好动员和发动群众开展社会化消防宣传工作，履行维护社会公共消防安全的义务。利用社会新闻舆论阵地，加强媒体宣传。充分利用报刊、电视、广播、网络等媒体作用，及时报道重要的消防新闻，普及消防法律法规和消防安全知识，曝光消防违章违法行为，开展舆论引导和监督，切实提高广大群众的消防安全意识和消防法制观念。虽然2014年预测火灾起数比2013年有所下降，但为了保证不出现反弹，必须对消防宣传教育工作常抓不懈，只有大众对火灾的认识不断提升，才能从根本上实现对火灾的预防和及时扑救。
（3）严把源头关。严格消防设计审核、验收制度。从建筑内部的自动消防设施、消防水源、防火分区、电器线路等方面满足火灾预防和扑救的需要。在建设过程中，强化建筑工程建设、设计、施工等单位的质量责任意识，依法严肃查处违反消防法规和消防技术标准的建设、施工等行为，督促各消防质量责任主体在建筑建设过程中认真落实国家消防技术标准，确保建筑建设消防质量。
（4）强化战备执勤，开展实地演练。集中组织消防部队开展了对各类建筑的灭火实战演练和理论培训，从如何抢救人员，如何实施灭火救援、火场供水等方面，用科技的方法和手段，研究出切实可行的办法，掌握灭火救援的主动权。另外还应当加强消防装备建设，为快速展开灭火救援工作奠定基础[6]。
（5）提升消防人员业务水平。2013年大排查大整治活动在一定程度上有效减少了火灾隐患，预防了部分火灾的发生。在2014年，消防监督管理工作仍然不能松懈，同时要定期对消防工作人员进行专业知识培训，不断提高消防人员的业务水平，只有这样才能及时准确的找出和消灭火灾隐患，减少火灾的发生。
参考文献
[1] 张艳苏，于涛.基于ARIMA模型的火灾统计数据预测方法研究[J].武警学院学报，2010，37（7A）：37-39.
[2] Bates J M， Granger C W J. The combination of forecasts[J].Operations Research Quarterly， 1969， 20（4）：319-325.
[3] 安振宇，陈云国.基于火灾统计数据的火灾形势综合评价和定量预测[J].中国安全生产科学技术，2006，2（2）：29-33.
[4] 冯明静，徐辉.火灾数据统计分析与预测模型研究[C].中国消防协会科学技术年会论文集，2010，513-515.
[5] 刘宁，祝国苓.火灾与气象因素的相关性研究[J].武警学院学报，2010，26（2）：22-25
[6] Ravise C， Sebag M. An advanced evolution should not repeat its Past errors[J]. Proceedings of the 3rd international conference on machine learning， 1996，4： 408.
作者简介：邓雨涵，女，山西忻州人，1990.11生，现就读于中国人民武装警察学院研究生三队，专业为安全工程（火灾勘察方向）。