基于羊群效應(yīng)的滯留旅客轉(zhuǎn)移決策模型及其仿真

王濤

摘 要：針對災(zāi)害氣候中各重要交通樞紐（汽車站、火車站、機場等）有大面積人群滯留的情況，考慮人群行為的羊群效應(yīng)，采用貝葉斯網(wǎng)絡(luò)和影響圖作為建模工具，構(gòu)建滯留旅客轉(zhuǎn)移決策模型，并使用Java語言在Repast平臺下建立了考慮羊群效應(yīng)的滯留旅客轉(zhuǎn)移多主體仿真模型，定量分析了滯留人群存在羊群效應(yīng)時旅客轉(zhuǎn)移模式的變化及在不同政策環(huán)境下羊群效應(yīng)的系統(tǒng)性能的影響，為政府應(yīng)對交通樞紐中大面積人群滯留問題提供決策參考。

關(guān)鍵詞：應(yīng)急管理；羊群效應(yīng)；多主體仿真建模；旅客轉(zhuǎn)移決策

中圖分類號：TP391.9 文獻(xiàn)標(biāo)識碼：A

Modeling and Simulation of Stranded Passengers Transfer

Decision-making on the Basis of Herd Behaviors

WANG Tao

（College of Economics & Management，Nanjing University of Aero. & Astro. Nanjing 211106，China）

Abstract：According to the case of large crowd being stranded at transportation hubs（such as bus station，railway station，airport，etc.）in climate disasters，a model is designed to represent passengers' transferring among transportation hubs on the basis of herd behaviors.Bayesian network and influence diagram are used in model to describe passenger's decision-making process，and a multi-agent simulation model is developed in Repast platform using Java language.Through the simulation data，the influence of herd behaviors over stranded passengers' transfer mode and system performance in different policies are analyzed，some policy recommendations for the government are proposed.

Keywords：disaster management；herd behaviors；multi-agent modeling and simulation；passengers

transferring decision-making

1 引言（Introduction）

隨著我國經(jīng)濟的快速發(fā)展，各種體制性和結(jié)構(gòu)性的矛盾逐漸顯現(xiàn)。加之環(huán)境惡化、地震、雪災(zāi)等自然災(zāi)害不斷發(fā)生，使得非常規(guī)突發(fā)事件層出不窮。這種新的形勢對政府應(yīng)對突發(fā)事件的理念和方法提出了新的挑戰(zhàn)，也對應(yīng)急管理研究的理論和方式提出了新的要求。近年來逐漸興起的復(fù)雜性科學(xué)理論、前景理論等在經(jīng)濟管理領(lǐng)域研究取得了豐碩的研究成果，為應(yīng)急管理研究提供了新的途徑[1，2]。

目前國內(nèi)學(xué)者在應(yīng)急管理研究中采用的方法主要集中在定性分析和宏觀量化分析方面。文獻(xiàn)[3]從系統(tǒng)論角度出發(fā)，提出政府部門應(yīng)建立基于系統(tǒng)控制的應(yīng)急管理模式，文獻(xiàn)[4]采用非線性規(guī)劃方法建立了突發(fā)事件中救護(hù)車分配優(yōu)化模型，文獻(xiàn)[5]則采用蟻群算法求解了應(yīng)急資源調(diào)度最優(yōu)路徑問題。與此相比，關(guān)注應(yīng)急管理中個體和群體微觀行為的研究在國內(nèi)報道較少。文獻(xiàn)[6]將前景理論應(yīng)用于應(yīng)急管理中，開始關(guān)注在突發(fā)事件中個體和群體行為，但其研究以實證分析為主，缺乏仿真支持。文獻(xiàn)[7]以災(zāi)害氣候下旅客個體決策行為為研究對象，采用多主體建模方法建立了滯留旅客轉(zhuǎn)移決策模型和仿真環(huán)境，但在其描述的模型中，每個旅客均作為獨立個體進(jìn)行決策，并未考慮群體行為對個體決策的影響。一般說來，越是在緊急突發(fā)情況下，周圍群體的行為對個體決策的影響越大，這時，忽略群體影響將可能使模型結(jié)果與實際產(chǎn)生較大偏差。另一方面，在突發(fā)事件中如何更好地應(yīng)對群體行為，也是政府應(yīng)急管理中非常重要的一個環(huán)節(jié)?；谝陨峡紤]，本文引入羊群效應(yīng)中基于信息的羊群行為，建立了存在羊群效應(yīng)時的滯留旅客轉(zhuǎn)移模型，更準(zhǔn)確地描述滯留旅客在災(zāi)害氣候下的決策過程，并在該模型基礎(chǔ)上進(jìn)行了多主體仿真研究，為政府應(yīng)對交通樞紐中大面積人群滯留問題提供決策參考。

本文結(jié)構(gòu)安排為：介紹問題背景和滯留旅客轉(zhuǎn)移決策模型；討論考慮羊群效應(yīng)的修正模型；建立相應(yīng)的多主體仿真模型并進(jìn)行仿真實驗分析；對本文進(jìn)行了簡單小結(jié)，并指出了今后的研究方向。

2 災(zāi)害氣候下滯留旅客轉(zhuǎn)移決策模型（Under

climate disasters stranded passengers transferred

decision-making model）

2.1 問題描述

發(fā)生災(zāi)害氣候（如雪災(zāi)、暴雨等）時，在汽車站、火車站、機場等城市主要交通樞紐節(jié)點常會出現(xiàn)大量旅客滯留。在交通節(jié)點等候一段時間之后，滯留旅客將根據(jù)自身偏好和環(huán)境信息進(jìn)行決策，以決定下一時間段的行為（繼續(xù)留在原節(jié)點、換乘其他交通工具出行或放棄出行）。研究滯留旅客的轉(zhuǎn)移決策規(guī)律，并建立起相應(yīng)的動態(tài)仿真模型，對制定恰當(dāng)?shù)臏袈每褪鑼?dǎo)政策、提升政府災(zāi)害氣候應(yīng)急管理水平具有重要意義。endprint

為簡化問題，設(shè)某城市的交通運輸系統(tǒng)中含有三個節(jié)點，分別代表汽車站、火車站和飛機場。同時按照對時間和費用的不同承受能力將旅客劃分為A、B、C三類。A類旅客代表勞務(wù)人員，他們比較注重經(jīng)濟成本，而對時間成本敏感度較低；C類人群指商務(wù)人士，他們往往更加看重時間成本；B類人群則為其他人群。在各交通節(jié)點按其運輸能力將旅客運送出系統(tǒng)的同時，旅客也按一定的類型分布等速率地進(jìn)入各交通節(jié)點，而滯留旅客的轉(zhuǎn)移決策，將導(dǎo)致旅客在各交通節(jié)點的分布情況發(fā)生變化，進(jìn)而影響整個系統(tǒng)的運作效率。本文主要研究滯留旅客的轉(zhuǎn)移決策過程及該決策過程受群體行為的影響，并在此基礎(chǔ)上建立多主體仿真模型，分析應(yīng)采用哪些疏引政策，以使單位時間內(nèi)有更多的滯留旅客可被運送出系統(tǒng)。

2.2 滯留旅客轉(zhuǎn)移決策模型

作者認(rèn)為，滯留旅客的轉(zhuǎn)移決策過程，實質(zhì)上是旅客根據(jù)環(huán)境信息測算并比較轉(zhuǎn)移到各交通節(jié)點的期望效用的過程（對某些旅客而言這種測算和比較可能是在潛意識中完成的）。旅客進(jìn)行轉(zhuǎn)移決策時參考的環(huán)境信息主要分為兩類：（1）客觀信息；（2）管理信息?？陀^信息指旅客可自主地從環(huán)境中獲得的，不因管理者的政策變化而改變的靜態(tài)信息，包括天氣信息、交通節(jié)點狀態(tài)信息（開放或關(guān)閉）、本節(jié)點滯留旅客人數(shù)信息和各交通節(jié)點原始票價信息等；管理信息則指管理者可選擇性公布或在一定范圍內(nèi)進(jìn)行數(shù)值調(diào)整的信息，這些信息的調(diào)整同樣會使旅客的轉(zhuǎn)移決策發(fā)生變化，管理信息包括是否公布班次延誤信息、退票費用、其他節(jié)點旅客滯留狀態(tài)信息等。管理者在制定滯留旅客疏導(dǎo)政策時，顯然應(yīng)更多地關(guān)注管理信息對旅客轉(zhuǎn)移決策的影響。

為了描述滯留旅客對不確定性的處理（例如當(dāng)旅客接收到天氣好轉(zhuǎn)的環(huán)境信息時，只能得出班次延誤概率變小的結(jié)論，而無法準(zhǔn)確預(yù)測班次是否延誤），本文使用影響圖對旅客轉(zhuǎn)移決策過程進(jìn)行建模。影響圖方法是由Howard等學(xué)者提出一種決策分析的圖示表征求解方法，它是表示決策問題中決策、不確定性和效用的圖形工具，可認(rèn)為影響圖是增加了決策和效用的貝葉斯網(wǎng)絡(luò)的推廣[8]。一個影響圖包含機會節(jié)點、決策節(jié)點和效用節(jié)點。機會節(jié)點表示在貝葉斯網(wǎng)絡(luò)中使用的隨機變量，用圓形表示；決策節(jié)點表示行動的選擇，用矩形表示；效用節(jié)點是效用被計算的位置，用菱形表示。影響圖上的推斷過程是對貝葉斯網(wǎng)絡(luò)上的推斷的擴展：給定一些機會節(jié)點上的證據(jù)后，證據(jù)在機會節(jié)點間傳播，接著對每一個可能的決策計算效用，并選擇具有最大效用的決策。圖1描述了旅客在災(zāi)害氣候下進(jìn)行交通節(jié)點轉(zhuǎn)移決策的影響圖。

圖1 旅客運輸節(jié)點轉(zhuǎn)移決策影響圖

Fig.1 Passenger transport node transferred

decision-making influence diagrams

該影響圖由一個決策節(jié)點Move，一個效用節(jié)點U和一個包含五個機會節(jié)點（天氣、交通節(jié)點狀態(tài)、班次狀態(tài)、滯留時間和轉(zhuǎn)移成本）的貝葉斯網(wǎng)絡(luò)組成。這個貝葉斯網(wǎng)絡(luò)可理解為旅客在不確定的天氣條件下對自己進(jìn)行某個轉(zhuǎn)移決策后的可能等待時間和花費轉(zhuǎn)移成本的思考過程。

設(shè)各項自然概率及條件概率均已知，則處于節(jié)點m0的旅客評估轉(zhuǎn)移至節(jié)點m的轉(zhuǎn)移概率P（m）的過程可描述為以下步驟：

（1）由天氣情況自然概率P（m）（W）及相關(guān)CPT（Conditional probability table，條件概率表）求節(jié)點狀態(tài)概率P（m）（SN）。

（2）由天氣情況自然概率P（m）（W），步驟（1）求出的節(jié)點狀態(tài)概率P（m）（SN）及相關(guān)CPT求班次狀態(tài)概率P（m）（SR）。

（3）由步驟（2）求出的P（m）（SR），轉(zhuǎn)移決策m求滯留時間和轉(zhuǎn)移成本的期望效用E（U（m）t）和E（U（m）C）。

（4）由成本效用與時間效用的相對權(quán)重w求出總效用U的期望值E（U）。

（5）在進(jìn)行決策選擇時，舍棄效用小于0的方案，并根據(jù)剩余方案的效用期望值計算轉(zhuǎn)移概率P（m），若任意方案的效用均小于0，則用戶將放棄出行，離開系統(tǒng)。

3 基于羊群效應(yīng)的轉(zhuǎn)移概率修正模型（Transition

probability correction model based on herd

behaviors）

羊群行為也稱群體行為，它主要指群體中的個體與大多數(shù)人保持行為一致，從而導(dǎo)致一種行為模式在人群之間的傳播和傳染的現(xiàn)象。基于信息的羊群行為理論認(rèn)為信息傳遞機制是產(chǎn)生羊群效應(yīng)的原因。這類模型指出，羊群效應(yīng)源于決策者對周圍環(huán)境的觀察，后決策者會從先決策者的決策結(jié)果中推測其中隱含的信息，這種信息可能導(dǎo)致后決策者部分或完全忽略私有信息，從而形成對先決策者的模仿[9，10]。

3.1 基于信息的羊群行為轉(zhuǎn)移概率修正模型

假設(shè)旅客在自身做出轉(zhuǎn)移決策后，了解周圍群體信息，并根據(jù)信息羊群行為理論進(jìn)行轉(zhuǎn)移概率修正。具體過程描述如下。

在周圍群體的影響下，旅客面臨著兩種選擇：留下（Stay）和離開（Leave），其收益分別記為VS和VL。若留下的收益較高，即VS-VL>0時，稱事件V+發(fā)生；反之，當(dāng)離開收益較高時，稱事件V-發(fā)生。在觀察周圍群體信息之前，旅客選擇留下的先驗概率p即為由2.2節(jié)模型中得到的轉(zhuǎn)移概率P（m）中留在原節(jié)點的分量。令X表示旅客對周圍群體的觀察結(jié)果信息，表示周圍有一半以上的旅客選擇留下；表示周圍旅客中選擇留下的人數(shù)不到一半；表示恰好有一半周圍旅客選擇留下。對該旅客而言的群體信息X在轉(zhuǎn)移選擇收益狀態(tài)V+及V-的條件概率為

（1）

為信念精確度，它反映了旅客從群體信息中獲得留下或離開決策依據(jù)的信心，。在本文模型中，與旅客的決策類型相關(guān)，若旅客有很強的從眾心態(tài)，則值接近1；反之，如果旅客非常自信，決策基本依據(jù)私人信息，則群體信息對其決策影響較小，其值接近0.5。endprint

旅客在進(jìn)行轉(zhuǎn)移概率修正時，首先觀察周圍旅客的決策結(jié)果，根據(jù)觀察結(jié)果進(jìn)行相應(yīng)的后驗概率計算。當(dāng)觀察結(jié)果為時，旅客留在原節(jié)點的轉(zhuǎn)移概率修正為

（2）

類似地，當(dāng)觀察結(jié)果為時

（3）

顯然，當(dāng)觀察結(jié)果為時，后驗概率與先驗概率相等，即群體信息不對個體決策產(chǎn)生影響。

旅客在修正其留在原節(jié)點的轉(zhuǎn)移概率后應(yīng)同時修正轉(zhuǎn)移至其他節(jié)點的轉(zhuǎn)移概率。從簡化問題的角度出發(fā)，本文根據(jù)旅客留在原節(jié)點的轉(zhuǎn)移概率修正量按比例調(diào)整轉(zhuǎn)移至其他節(jié)點的轉(zhuǎn)移概率，則旅客轉(zhuǎn)移至節(jié)點m（m≠m0）的轉(zhuǎn)移概率修正為

（4）

其中，，且i≠m，為節(jié)點數(shù)量。

3.2 算例

下面以一個簡單算例來解釋本節(jié)模型。設(shè)處于節(jié)點2的旅客根據(jù)其貝葉斯網(wǎng)絡(luò)計算的先驗轉(zhuǎn)移概率P（m）=[0.5，0.3，0.2]，m=1，2，3。設(shè)該旅客從眾心態(tài)較強，其群體信息信念精確度=0.85，該旅客對周圍旅客決策的觀察結(jié)果為X<0.5，則其留在原節(jié)點的轉(zhuǎn)移概率修正為

相應(yīng)地，轉(zhuǎn)移至節(jié)點1和節(jié)點3的轉(zhuǎn)移概率分別修正為

而當(dāng)觀察結(jié)果為X>0.5時，留在原節(jié)點的轉(zhuǎn)移概率修正為

轉(zhuǎn)移至節(jié)點1和節(jié)點3的轉(zhuǎn)移概率分別修正為

4 多主體仿真模型（Multi-agent simulation model）

如果僅描述出滯留旅客轉(zhuǎn)移決策模型，而沒有建立起相應(yīng)的仿真實驗環(huán)境，則無法驗證本文模型的有效性，也就無法在進(jìn)行數(shù)據(jù)分析的基礎(chǔ)上為管理者制定災(zāi)害氣候應(yīng)急策略提供參考。本節(jié)以上文模型為基礎(chǔ)，開發(fā)了仿真模型，并進(jìn)行了仿真實驗分析。

多主體建模與仿真（Multi-agent based modeling and simulation，MABMS）方法是興起于20世紀(jì)90年代的一種新的計算機建模方法，該方法把整個系統(tǒng)看作一個由多個主體交互協(xié)作的復(fù)雜系統(tǒng)，針對具有適應(yīng)能力的主體及主體與主體之間、主體與環(huán)境之間的交互作用進(jìn)行自底向上的研究。多主體方法把宏觀和微觀有機地聯(lián)系起來，它通過主體和環(huán)境的相互作用，使個體的變化成為整個系統(tǒng)變化的基礎(chǔ)，對個體行為和整體行為統(tǒng)一地加以考察[11]。大量研究證明，多主體方法非常適合被用于經(jīng)濟、管理和社會領(lǐng)域的復(fù)雜活動分析。

4.1 基于Repast的滯留旅客轉(zhuǎn)移多主體仿真模型

Repast（Recursive porous agent simulation toolkit）是芝加哥大學(xué)社會科學(xué)計算研究中心研制的面向?qū)ο蟮亩嘀黧w建模工具，它提供了一系列用以生成、運行、顯示和收集數(shù)據(jù)的類庫[12]。在Repast環(huán)境下，使用者只需描述系統(tǒng)中的主體特性及主體間的交互規(guī)則，即可迅速開發(fā)出仿真實驗環(huán)境。

4.1.1 仿真模型的主要結(jié)構(gòu)

文本使用Java語言開發(fā)了基于Repast的滯留旅客轉(zhuǎn)移多主體仿真模型。在本文設(shè)計的仿真模型中，主要包含交通節(jié)點（TrafficNode）和旅客（Passenger）兩種主體類。除此之外，還設(shè)計了一些輔助類以生成仿真環(huán)境和維護(hù)仿真參數(shù)。在TrafficNode類和Passenger類中封裝的主要方法及其含義見表1。

表1 主體類重要方法含義

Tab.1 Important method meaning

4.1.2 在仿真模型中對羊群效應(yīng)的處理

本文仿真模型主要通過以下內(nèi)容描述滯留旅客在轉(zhuǎn)移決策過程中的羊群效應(yīng)：

（1）在旅客類Passenger中加入了決策修正類型屬性decisionType，用以描述該旅客的群體信息信念精確度。加入sumPasseengersAround和stayPassengersAround屬性，分別表示旅客周圍的其他旅客人數(shù)和其他周圍旅客中選擇留在原節(jié)點的人數(shù)。本文將所有旅客的決策修正類型分為兩類：第一類表示該旅客的決策過程較獨立，群體信息對其最終決策影響較小，該類旅客的值取0.625；第二類旅客的最終決策較多地依賴群體信息，即其從眾心理較強，該類旅客的值取0.875。在仿真過程中，假設(shè)勞務(wù)人員中1/3屬于第一類，2/3屬于第二類；其他類型旅客則相反，2/3屬于第一類，1/3屬于第二類。

（2）加入了influencePassengersAround、getGroupInfo和revise等方法，以實現(xiàn)基于信息羊群行為的旅客轉(zhuǎn)移概率修正。由于旅客一旦轉(zhuǎn)移到其他交通節(jié)點，原節(jié)點周圍的旅客便無法得到其決策信息，因此本文引入influencePassengersAround方法，當(dāng)旅客確定了其目標(biāo)轉(zhuǎn)移節(jié)點時（無論是留在原節(jié)點還是轉(zhuǎn)移至其他節(jié)點），對周圍的其他旅客施加影響，改寫周圍旅客的sumPasseengersAround和stayPassengersAround屬性信息。在getGroupInfo方法中根據(jù)sumPasseengersAround和stayPassengersAround屬性值進(jìn)行判斷，以決定周圍旅客中是否有超過半數(shù)的人選擇留下。在revise方法中則使用getGroupInfo方法的計算結(jié)果，并由式（1）-式（4）進(jìn)行轉(zhuǎn)移概率修正。

4.2 仿真實驗及數(shù)據(jù)分析

4.2.1 仿真實驗流程

在Repast中，模型的運行按時間步（Timestamps）或稱標(biāo)記（Tick）來推進(jìn)。每一個標(biāo)記時刻，各主體在之前行為產(chǎn)生的累積狀態(tài)基礎(chǔ)上，發(fā)生一些自主或交互行為，使得主體和系統(tǒng)的狀態(tài)發(fā)生新的變化。本文仿真實驗流程如圖2所示。

圖2 仿真流程圖

Fig.2 Simulation flowchart

仿真時，首先創(chuàng)建一個40×40的網(wǎng)格作為仿真空間。并在網(wǎng)格中創(chuàng)建三個交通樞紐節(jié)點主體（TrafficNode）分別代表汽車站、火車站和機場；然后按設(shè)定的交通節(jié)點初始人數(shù)及旅客類型（勞務(wù)人員、商務(wù)人士和其他人群）比例創(chuàng)建旅客主體（Passenger）并將其加入到仿真環(huán)境中。在仿真過程的每個時間標(biāo)記上，TrafficNode按設(shè)定的運輸能力輸出一定數(shù)量的Passenger至系統(tǒng)外，同時按設(shè)定的旅客進(jìn)入速度創(chuàng)建新的Passenger主體；對仍在系統(tǒng)中的Passenger主體而言，在每個仿真時刻都首先按其私有信息進(jìn)行轉(zhuǎn)移決策，并根據(jù)信息羊群行為，在觀察周圍群體信息后修正自身的轉(zhuǎn)移概率，最終的轉(zhuǎn)移決策按修正后的轉(zhuǎn)移概率執(zhí)行。endprint

4.2.2 仿真實驗數(shù)據(jù)分析

在文獻(xiàn)[7]中，作者得到了以下結(jié)論：

（1）衡量系統(tǒng)運作效率的最重要指標(biāo)是相應(yīng)時間內(nèi)通過交通節(jié)點離開系統(tǒng)的旅客人數(shù)，這可理解為在具有較好效率的系統(tǒng)中因各種轉(zhuǎn)移決策（包括留在原節(jié)點）的效用均小于0而放棄出行的旅客人數(shù)應(yīng)較少。

（2）未經(jīng)政策干預(yù)條件下旅客轉(zhuǎn)移模式可歸納為：更多旅客在進(jìn)行轉(zhuǎn)移決策時傾向于轉(zhuǎn)移到成本低廉，而滯留人數(shù)相對于火車站而言較少的汽車站（即使汽車站空間已飽和，其絕對人數(shù)仍少于火車站），而對少數(shù)商務(wù)人士而言，他們則有較大的傾向以時間作為更重要的決策因素。此時系統(tǒng)的性能較差。

（3）可從取消退票費用，調(diào)整臨時購票系數(shù)向量和在班次延誤和取消時及時發(fā)布通告三個方面進(jìn)行系統(tǒng)優(yōu)化，優(yōu)化后的方案系統(tǒng)效率明顯高于未經(jīng)政策干預(yù)的初始方案。

為了便于進(jìn)行對比研究，本文仍采用文獻(xiàn)[7]數(shù)據(jù)進(jìn)行仿真試驗。初始時，各交通節(jié)點人數(shù)依次為

Ni={300，600，200}

，在各節(jié)點每種旅客所占人數(shù)的比例依次為

Rij={{0.6，0.3，0.1}，{0.5，0.3，0.2}，{0.2，0.4，0.4}}

。在考慮信息羊群行為的情況下，未經(jīng)政策干預(yù)的初始方案仿真試驗結(jié)果如圖3所示，進(jìn)行了取消退票費用、及時發(fā)布班次延誤通告等政策干預(yù)的優(yōu)化方案仿真實驗結(jié)果如圖4所示。

圖3 初始方案仿真結(jié)果

Fig.3 The simulation results of the initial program

圖4 優(yōu)化方案仿真結(jié)果

Fig.4 The simulation results of the

optimization program

在圖3和圖4中，左圖為仿真150次后的各交通節(jié)點旅客分布情況，圖中三個較大的五角星分別表示機場（左上）、汽車站（左下）和火車站（右），圓形、方框和倒三角則分別表示A、B、C類旅客；右圖為放棄出行旅客人數(shù)隨仿真次數(shù)的變化曲線。表2給出了本文模型和文獻(xiàn)[7]模型仿真實驗部分結(jié)果的對比。

表2 仿真實驗結(jié)果對比

Tab.2 The simulation results were compared

表2中，“浪涌”規(guī)模{i，j，k}表示一次從節(jié)點1、2、3離開的旅客人數(shù)占該節(jié)點總?cè)藬?shù)的比例分別為i、j和k；節(jié)點人員構(gòu)成{p，q，r}則表示A、B、C類旅客占該節(jié)點總?cè)藬?shù)的比例分別為p、q和r。仿真實驗結(jié)果表明，羊群效應(yīng)對旅客在各節(jié)點的分布情況影響甚微，其影響主要表現(xiàn)在無論初始方案還是優(yōu)化方案，在仿真過程中都可觀察到比文獻(xiàn)[7]仿真結(jié)果嚴(yán)重得多的浪涌現(xiàn)象：旅客如波浪般成批從節(jié)點離開，這對于市內(nèi)交通和交通節(jié)點安置都將產(chǎn)生一定壓力。文獻(xiàn)[7]所提出的優(yōu)化政策措施在考慮羊群效應(yīng)時同樣有效，但羊群效應(yīng)在不同環(huán)境中產(chǎn)生的影響強度顯著不同。在未經(jīng)政策干預(yù)的初始方案下，羊群效應(yīng)對放棄出行旅客人數(shù)的影響并不明顯：不考慮羊群效應(yīng)時放棄出行人數(shù)約為4600人，考慮羊群效應(yīng)時放棄出行人數(shù)約4750人。但在優(yōu)化方案中，羊群效應(yīng)的影響明顯增加：不考慮羊群效應(yīng)時放棄出行人數(shù)為95人（不發(fā)布其他交通節(jié)點旅客人數(shù)信息時），考慮羊群效應(yīng)后增加至約700人。經(jīng)過分析，作者認(rèn)為產(chǎn)生這一現(xiàn)象的原因在于在羊群效應(yīng)影響下，旅客（尤其是從眾心理較明顯的旅客）的最終轉(zhuǎn)移決策可能與其自身的效用判斷結(jié)果有較大差別，從而進(jìn)行了一個對其而言效用較差的轉(zhuǎn)移，這時在退票費用和重購票費用等因素作用下，就增大了該旅客在下一個仿真時刻各轉(zhuǎn)移方案效用均小于0的情況發(fā)生的可能。用通俗的話來說，仿真中出現(xiàn)的這種現(xiàn)象反映出不經(jīng)分析地跟隨，可能會將自己置于不利的尷尬境地?？赏ㄟ^兩種方法解決在優(yōu)化方案中考慮羊群效應(yīng)時性能降低的問題：

（1）通過宣傳、提供飲食等安置措施鼓勵旅客在沒有明顯更優(yōu)轉(zhuǎn)移方案時暫時留在原節(jié)點。

（2）通過實時發(fā)布各交通節(jié)點的旅客人數(shù)動態(tài)信息，部分消除羊群效應(yīng)的影響。

在這兩種措施的有效性也在仿真實驗中得到證明。在實施該兩種措施后，即使在滯留旅客中出現(xiàn)信息羊群行為，仿真150次時系統(tǒng)中放棄出行人數(shù)也均能控制在40人以內(nèi)。圖5為模擬了安置措施后的優(yōu)化方案仿真結(jié)果。

圖5 模擬安置措施后的優(yōu)化方案仿真結(jié)果

Fig.5 The simulation results of the optimization

program after simulation resettlement

5 結(jié)論（Conclusion）

在突發(fā)情況下，人們決策時往往會受到周圍群體決策結(jié)果的影響，從而有可能使得最終決策結(jié)果不同于個體獨立決策時的情形。為了更準(zhǔn)確地描述災(zāi)害氣候下滯留旅客轉(zhuǎn)移模式，為管理者制定疏引政策提供有效依據(jù)，本文建立了考慮羊群效應(yīng)的滯留旅客轉(zhuǎn)移決策模型，并在此基礎(chǔ)上以Repast為平臺，使用Java語句開發(fā)了該問題的多主體仿真環(huán)境。通過仿真實驗驗證了模型的有效性，得到了以下結(jié)論：

（1）文獻(xiàn)[7]得出了系統(tǒng)優(yōu)化政策措施在考慮羊群效應(yīng)時仍然有效。

（2）羊群效應(yīng)導(dǎo)致系統(tǒng)中時時出現(xiàn)浪涌現(xiàn)象，要求政府部門在市內(nèi)交通和交通節(jié)點安置方面做好充分準(zhǔn)備。

（3）在本問題中，羊群效應(yīng)對于較優(yōu)的系統(tǒng)將產(chǎn)生更大的負(fù)面影響，需采用增強安置措施、及時發(fā)布各節(jié)點旅客人數(shù)信息等政策消除羊群效應(yīng)的影響，保證系統(tǒng)性能。

突發(fā)事件中對群體行為的應(yīng)對問題是應(yīng)急管理中的重要問題之一，本文所建的基于羊群效應(yīng)的滯留旅客轉(zhuǎn)移決策模型，對于制定災(zāi)害氣候下制定滯留旅客疏引政策具有重要的實際指導(dǎo)意義。傳統(tǒng)應(yīng)急管理研究方法往往忽略了具有主動性的非同質(zhì)個體及其交互對總體行為的影響，同時也較難刻畫系統(tǒng)中的群體行為，本文在將多主體建模與仿真引入應(yīng)急管理領(lǐng)域的基礎(chǔ)上研究了在多主體模型中描述羊群效應(yīng)的方法，在一定程度上彌補了這些缺點，為開辟應(yīng)急管理研究的新方法進(jìn)行了探索。但應(yīng)注意到，災(zāi)害氣候下滯留旅客疏導(dǎo)問題還包含有交通節(jié)點的地理位置、災(zāi)害氣候?qū)β每托睦淼挠绊懙葟?fù)雜因素，如何在模型中描述這些因素，并開發(fā)出相應(yīng)的軟件包以將本文成果更好地應(yīng)用到實際中去，是作者今后研究的努力方向。endprint

參考文獻(xiàn)（References）

[1] Helbing D，F(xiàn)akras I，Vicsek T.Simulating dynamical features of

escape panic[J].Nature，2000，407（6803）：487-490.

[2] Sacco K，Galletto V，Blanzieri E.How has the 911 terrorist attack

influenced decision making[J].Applied Cognitive Psychology.

2002，17（9）：1113-1127.

[3] 褚大建.建立基于系統(tǒng)控制的應(yīng)急管理模式[J].上海城市管

理，2003，（3）：8-9.

[4] 楊文國，黃鈞，郭田德.大規(guī)模突發(fā)事件中傷員救助的救護(hù)車

分配優(yōu)化模型[J]. 系統(tǒng)工程理論與實踐，2010，30（7）：1218-

1224.

[5] 趙惠良，劉建平，劉向東.城市交通非常規(guī)突發(fā)事件的應(yīng)急資

源調(diào)度最優(yōu)路徑研究[J].北京理工大學(xué)學(xué)報（社會科學(xué)

版），2010，12（6）：65-68.

[6] 孫多勇.突發(fā)性社會公共危機事件下個體與群體行為決策研

究[D].長沙：國防科技大學(xué)，2005.

[7] 沈洋，羅正軍.災(zāi)害氣候下交通樞紐滯留旅客轉(zhuǎn)移模型仿真

[J].南京航空航天大學(xué)學(xué)報，2011，43（1）：35-40.

[8] Howard R.A.，Matheson J.E.Influence diagrams [J].Decision

Analysis，2005，2（3）：127-143.

[9] Banerjee A.A simple model of herd behavior [J].Quarterly

Journal of Economics，1992，107：797-818.

[10] Teraji S. Herd behavior and the quality of opinions [J].The

Journal of Socio-Economics，2003，32（6）：661-673.

[11] Davidsson P.Multi agent based simulation： beyond social

simulation[C]//Multi Agent Based Simulation. Berlin，

Germany：Springer-Verlag，2000：97-107.

[12] North M J，Collier N T，Vos R J.Experiences creating three

implementations of the Repast agent modeling

toolkit[J].ACM Transactions on Modeling and Computer

Simulation，2006，16（1）：1-25.

作者簡介：

王 濤（1968-），男，碩士，講師.研究領(lǐng)域：軟件開發(fā)及電子

商務(wù).endprint

參考文獻(xiàn)（References）

[1] Helbing D，F(xiàn)akras I，Vicsek T.Simulating dynamical features of

escape panic[J].Nature，2000，407（6803）：487-490.

[2] Sacco K，Galletto V，Blanzieri E.How has the 911 terrorist attack

influenced decision making[J].Applied Cognitive Psychology.

2002，17（9）：1113-1127.

[3] 褚大建.建立基于系統(tǒng)控制的應(yīng)急管理模式[J].上海城市管

理，2003，（3）：8-9.

[4] 楊文國，黃鈞，郭田德.大規(guī)模突發(fā)事件中傷員救助的救護(hù)車

分配優(yōu)化模型[J]. 系統(tǒng)工程理論與實踐，2010，30（7）：1218-

1224.

[5] 趙惠良，劉建平，劉向東.城市交通非常規(guī)突發(fā)事件的應(yīng)急資

源調(diào)度最優(yōu)路徑研究[J].北京理工大學(xué)學(xué)報（社會科學(xué)

版），2010，12（6）：65-68.

[6] 孫多勇.突發(fā)性社會公共危機事件下個體與群體行為決策研

究[D].長沙：國防科技大學(xué)，2005.

[7] 沈洋，羅正軍.災(zāi)害氣候下交通樞紐滯留旅客轉(zhuǎn)移模型仿真

[J].南京航空航天大學(xué)學(xué)報，2011，43（1）：35-40.

[8] Howard R.A.，Matheson J.E.Influence diagrams [J].Decision

Analysis，2005，2（3）：127-143.

[9] Banerjee A.A simple model of herd behavior [J].Quarterly

Journal of Economics，1992，107：797-818.

[10] Teraji S. Herd behavior and the quality of opinions [J].The

Journal of Socio-Economics，2003，32（6）：661-673.

[11] Davidsson P.Multi agent based simulation： beyond social

simulation[C]//Multi Agent Based Simulation. Berlin，

Germany：Springer-Verlag，2000：97-107.

[12] North M J，Collier N T，Vos R J.Experiences creating three

implementations of the Repast agent modeling

toolkit[J].ACM Transactions on Modeling and Computer

Simulation，2006，16（1）：1-25.

作者簡介：

王 濤（1968-），男，碩士，講師.研究領(lǐng)域：軟件開發(fā)及電子

商務(wù).endprint

參考文獻(xiàn)（References）

[1] Helbing D，F(xiàn)akras I，Vicsek T.Simulating dynamical features of

escape panic[J].Nature，2000，407（6803）：487-490.

[2] Sacco K，Galletto V，Blanzieri E.How has the 911 terrorist attack

influenced decision making[J].Applied Cognitive Psychology.

2002，17（9）：1113-1127.

[3] 褚大建.建立基于系統(tǒng)控制的應(yīng)急管理模式[J].上海城市管

理，2003，（3）：8-9.

[4] 楊文國，黃鈞，郭田德.大規(guī)模突發(fā)事件中傷員救助的救護(hù)車

分配優(yōu)化模型[J]. 系統(tǒng)工程理論與實踐，2010，30（7）：1218-

1224.

[5] 趙惠良，劉建平，劉向東.城市交通非常規(guī)突發(fā)事件的應(yīng)急資

源調(diào)度最優(yōu)路徑研究[J].北京理工大學(xué)學(xué)報（社會科學(xué)

版），2010，12（6）：65-68.

[6] 孫多勇.突發(fā)性社會公共危機事件下個體與群體行為決策研

究[D].長沙：國防科技大學(xué)，2005.

[7] 沈洋，羅正軍.災(zāi)害氣候下交通樞紐滯留旅客轉(zhuǎn)移模型仿真

[J].南京航空航天大學(xué)學(xué)報，2011，43（1）：35-40.

[8] Howard R.A.，Matheson J.E.Influence diagrams [J].Decision

Analysis，2005，2（3）：127-143.

[9] Banerjee A.A simple model of herd behavior [J].Quarterly

Journal of Economics，1992，107：797-818.

[10] Teraji S. Herd behavior and the quality of opinions [J].The

Journal of Socio-Economics，2003，32（6）：661-673.

[11] Davidsson P.Multi agent based simulation： beyond social

simulation[C]//Multi Agent Based Simulation. Berlin，

Germany：Springer-Verlag，2000：97-107.

[12] North M J，Collier N T，Vos R J.Experiences creating three

implementations of the Repast agent modeling

toolkit[J].ACM Transactions on Modeling and Computer

Simulation，2006，16（1）：1-25.

作者簡介：

王 濤（1968-），男，碩士，講師.研究領(lǐng)域：軟件開發(fā)及電子

商務(wù).endprint