第四节 灭火救援效能评估基本方法
对于系统的效能评估方法已有很多相关理论，按照具体使用，理论可分为解析计算法、性能参数法、对抗法/作战仿真评估法、试验统计法和模糊评估法。
一、解析计算法
解析计算法是选择与效能密切相关的参数，按一定规律进行计算得出代表效能的指标或代表效能高低值的方法。解析计算法按其计算特点和评估方式又可分为参数计算法、概率分析法和需求量估算法三类。
解析计算法比较系统，能得出较准确的作战效能综合量化值且工作量不大，易于实现。并且其公式透明性好，易于理解，计算简单，且能够进行变量间关系的分析。其缺点是考虑因素少，而且解析计算法公式本身也不易得到。
典型的解析计算法是美国工业界武器系统效能咨询委员会（WSEIAC）建立的ADC模型。系统效能是系统预期达到一组特定的任务要求的程度的度量，且是系统可用性A、可信性D及固有能力C的函数
E=ADC
式中，E为作战效能；A为可用度向量；D为可信度矩阵；C为固有能力向量。
二、性能参数法
性能参数法是根据选用的参数直接计算相对作战能力，从而得到其优劣排序。
指数法是将参与作战的各种系统的参数按照一定的算法转换成可比较的值，然后将这些参数值按照一定的算法进行计算，最后得到一个用以表示效能的值。目前，国内外应用较多的指数法主要有杜派指数法、邓尼根指数法、相对指数法以及幂指数法等。
系统有效性分析（system effectiveness analysis，SEA）方法属于性能参数法的典型，系统有效性分析方法是由A.H. Levis等提出的。SEA方法的特点可以概括为：研究部件特性、系统结构、操作方法与系统可用性及性能之间的关系，系统有效性的度量是通过使命要求的能力与系统提供的能力比较给出的。SEA 方法对系统与使命的建模有一定的主观性，模型的准确程度直接影响评估结果。SEA方法的基本特征是将系统的参量指标或性能指标融入战斗动态方程中，通过把系统能力和使命要求在同一公共属性空间进行比较，得到有效性评定的若干参量，适当组合这些参量，根据系统与使命的匹配程度就可获知系统完成预定任务的可能性，即系统的作战效能。SEA方法的难点在于公共属性空间的提取，以及系统能力和使命要求到该空间的映射的建立。系统能力映射的建立是整个评估过程的重点，它必须借助一定的方法，把系统的结构、功能、行为和原始参数对系统运行过程的影响描述出来，从而体现它们对系统完成使命的作用。这种映射一般是非线性的，比较难于建立，这就给SEA方法的使用带来了困难。
三、对抗法/作战仿真评估法
对抗法/作战仿真评估法的实质是以计算机试验为手段，通过在给定数值条件下运行模型来进行作战仿真，得到的结果直接或经统计处理后可得出效能评估值。仿真法能较详细地考虑影响实际灭火救援过程的因素，对灾害现场效能评定具有不可替代的重要作用，既省时又省费用，在一定程度上反映了环境条件和作战过程，体现了人员、装备及其他系统的协同作用，能利用计算机动态地刻画灭火救援活动过程与其他各影响因素之间的关系、实施灭火救援过程的演示，比较形象。
利用仿真手段进行效能评估，形成仿真评估方法。其主要优势在于可以全面地描述系统之间复杂的交互作用、协同作用；缺点是仿真模型的构建十分复杂，难以校验仿真可信度。这一方法特别适用于进行作战效能指标的预测评估，但是需要大量可靠的基础数据和原始资料作为依托，精度不易控制，且实现过程复杂。目前模拟技术正朝着虚拟现实（VR）和分布交互式仿真（DIS）方向发展，而且已经取得了一些可喜的成果。
系统动力学（system dynamics，SD）方法是一种研究系统动态行为的计算机仿真技术，由美国麻省理工学院福雷斯特教授提出。它综合应用控制论、信息论和决策论等理论和方法来建立系统动力学模型，并以计算机为工具进行仿真试验。系统动力学能做长期的、动态的、战略的定量分析研究，特别适用于处理高阶次、非线性、多重反馈的复杂时变系统。
四、试验统计法
试验统计法是采用数理统计方法，依据实战、演习、试验所获得的大量统计资料来分析和评估效能指标。其应用前提是，所获统计数据的随机特性可以清楚地用模型表示。常用的统计评估方法有抽样调查、参数估计、假设检验、回归分析和相关分析等。试验统计法不但能得到效能指标的评估值，还能显示人员、装备和作战规则等影响因素对效能指标的影响，从而为改进灭火救援效率提供定量分析基础，其结果比较准确可靠，但需要大量的试验物质基础，耗费太大，需要时间长，不易实行。
实地试验方法虽是最真实可靠的评估方法，但因试验条件受到人、物、财力的限制，主要是采取小样本结合统计方法来进行评估。如给出小样本、离散型、多总体和统计量检验法与数值计算方法等检验方法，对仿真结果真实性评估检验有一定意义，可推广到其他不确定性推理决策问题中去。
五、模糊评估法
模糊评估法借助于模糊推理的方法对多种属性的事物，或者说总体优劣受多种因素影响的事物，作出一个能合理地综合这些属性或因素的总体评判。该方法不需知道对象的数学模型，是一种反映人类智慧思维的智能活动，同时也是一种定量与定性相结合的评判方法。
在客观世界中，存在着大量的模糊概念和模糊现象。一个概念和与其对立的概念无法划出一条明确的分界，它们是随着量变逐渐过渡到质变的。凡涉及模糊概念的现象被称为模糊现象。现实生活中的绝大多数现象，存在着中介状态，并非非此即彼，表现出亦此亦彼，存在着许多，甚至无穷多的中间状态。模糊性是事件本身状态的不确定性，或者说是指某些事物或者概念的边界不清楚，这种边界不清楚，不是由于人的主观认识达不到客观实际所造成的，而是事物的一种客观属性，是事物的差异之间存在着中间过渡过程的结果。
模糊数学就是试图利用数学工具解决模糊现象的一门学科。1965年，美国加州大学的控制论专家扎德发表了一篇题为《模糊集合》的重要论文，第一次成功地运用精确的数学方法描述了模糊概念，从而宣告了模糊数学的诞生。从此，模糊现象进入了人类科学研究的领域。模糊数学的产生把数学的应用范围从精确现象扩大到模糊现象的领域，从而处理复杂的系统问题。模糊数学绝不是把已经很精确的数学变得模模糊糊，而是用精确的数学方法来处理过去无法用数学描述的模糊事物。从某种意义上来说，模糊数学是架在形式化思维和复杂系统之间的一座桥梁，通过它可以把多年积累起来的形式化思维，也就是精确数学的一系列成果，应用到复杂系统里去。模糊数学着重研究“认知不确定”一类的问题，其研究对象具有“内涵明确，外延不明确”的特点。已经知道，一个事物往往需要用多个指标刻画其本质与特征，并且人们对一个事物的评价又往往不是简单的好与不好，而是采用模糊语言分为不同程度的评语。由于评价等级之间的关系是模糊的，没有绝对明确的界限，因此具有模糊性。显而易见，对于这类模糊评价问题，利用经典的评价方法存在着不合理性。
模糊综合评价是借助模糊数学的一些概念，给实际的综合评价问题提供一些评价的方法。具体地说，模糊综合评价就是以模糊数学为基础，应用模糊关系合成的原理，将一些边界不清、不易定量的因素定量化，从多个因素对被评价事物隶属等级状况进行综合性评价的一种方法。应用模糊集合论方法对决策活动所涉及的人、物、事、方案等进行多因素、多目标的评价和判断，就是模糊综合评判，最早是由我国学者汪培庄提出的。其基本原理是：首先确定被评判对象的因素（指标）集和评价（等级）集；再分别确定各个因素的权重及它们的隶属度向量，获得模糊评判矩阵；最后把模糊评判矩阵与因素的权向量进行模糊运算并进行归一化，得到模糊评价综合结果。本方法的优点是：数学模型简单，容易掌握，对多因素、多层次的复杂问题评判效果比较好，是别的数学分支和模型难以代替的方法。这种模型应用广泛，在许多方面，采用模糊综合评判的实用模型取得了很好的经济效益和社会效益。
六、组合评估法
正如任何事物都有它的两面性一样，每种评估方法有它的产生背景，难免存在着局限性和不足之处，对此必须有所认识。不然，盲目地去应用，就会导致错误的决策。因此就出现了组合评估方法，即通过将具有互补性的方法组合在一起，能够弥补缺点、凸显优点，实现优势互补。组合评估法通过一定的方法将两个以上的评估方法组合在一起，在吸收这些评估方法的优点的同时，又克服了这些方法各自的缺陷，这样对评估对象做了更为全面的评估。但是组合评估法也可能出现较大的随机性偏差，从而与真实情况不相符合。因此要对组合评估法有一个正确全面的认识。
组合评估法并不能完全取代单一评估法。不能说组合评估法就一定优于某一种单一评估法。
采用组合评估法进行综合评估时仍然具有较强的主观性。因为组合评估法只是从评估方法选择方面进行了改进。
在采用组合评估法进行评估时，不能忽视评估的其他几个阶段。只有在各个阶段都比较科学、合理的情况下才能最终保证评估结果的科学性、合理性。
在采用组合评估法进行评估时，单一评估方法并不能随意组合。因为不同的单一评估方法对评估指标体系和评估对象有着不同的要求。
组合评估法表现在评估方法的两两集成、定性评估与定量评估相结合、评估方法的“改进”组合等方面。
例如，基于灰色理论和物元分析的组合评估法。方案的评估优化建立在方案的多指标的基础之上，多指标方案的优化都存在一些共同的特点，其中最显著的是以下两点：指标间的不可公度性和指标间的矛盾性即不相容性。指标间的不可公度性是指各个指标没有统一的度量标准，因而难以进行比较；指标间的矛盾性是指如果采用一种方案去改进某一指标的值，可能会使另一指标的值变坏。例如，选用技术先进性的装备型号能使方案的先进程度提高，但同时可能使方案的经济性变坏。由于多指标之间的矛盾性和不可公度性，这里引入一种多指标方案评估优化新的方法——物元分析法。运用物元分析提供的方法，往往化不相容为相容，从而使得问题得以解决。为了合理解决灰色不相容的问题，可把灰色理论与物元分析这两门新兴学科有机地结合起来，融化提炼，交叉渗透，对与事物特征相应量值所具有的灰色特征和影响事物各因素的不相容性加以分析、研究、探索、开拓，提出了一种新的方案评估选优方法——灰色物元分析法，用来解决这类问题。
七、效能评估方法的新发展
随着计算机、网络以及通信技术的发展，并行计算、分布计算以及网格计算等大型模拟计算方法开始逐步发展并日益成熟，一些新的评估方法也应运而生。
1.计算实验方法
计算实验方法（computational methods for experiments）是针对复杂系统研究的方法。计算实验方法把“仿真”结果作为现实的一个替代版本，或一种可能出现的现实；同时把实际系统也作为可能出现的现实中的一种，同仿真结果“等价”，实现从计算仿真走向计算实验的思想转变。在计算实验方法中，传统的计算模拟变成了“计算实验室”里的“实验”过程，成为“生长培育”各类复杂系统的手段，而实际系统只是这个“计算实验”的一种可能结果而已。对于复杂系统评估，计算实验方法被认为是很具生命力的一种方法，至少是一种有益的尝试。
2.探索性分析方法
探索性分析（exploratory analysis，EA）方法是目前国内外战争复杂系统研究的热点方法之一。简单来说，EA 方法就是对各种不确定性要素所对应的结果进行整体研究。与综合方法相反，EA 方法采用的是自顶向下，从宏观到微观的模式。EA 方法的思路是首先确定顶层作战目标，然后根据作战目标来确定相关的要素，最后在要素空间中进行探索计算。EA 方法的目标是理解不确定性要素对于所研究问题的影响，同时探索可以完成相应任务需求的系统各种能力与策略，从而全面地把握各种关键要素，获得灵活高效且适应性强的问题解决方案，达到进行能力规划和方案寻优的目的。
3.数据耕种与数据挖掘技术
数据耕种是一种基于问题性分析的生殖性方法，即以问题为核心进行往复的训练、数据获取和分析。使用该方法可以产出大量对回答所研究的问题有效、可以接受的近似值。数据耕种不是利用某个特定的模型给出最终答案，而是从整体视角研究问题结果的可能性空间，是对传统分析方法和研究思路的转变。本质上是使用高性能计算，在模型整个参数空间内运行，获取无法直接得到的暗藏线索。基本思想就是在关注领域生长尽可能多的数据，利用数据可视化、数据挖掘等方法对生长的数据在特定样本空间内进行分析，获得所关心问题的答案及其发展趋势，并指导下一次耕种。数据挖掘也称为数据库中的知识发现，是从大量数据中提取出可信、新颖、有价值的模式或规律等知识的复杂过程，它是数据耕种结果分析的手段之一。可以把它简单地理解为利用软件工具和数据库技术，对数据进行前端处理，从大量现存的数据中寻找隐藏在其中的有用信息和线索，它是将机器学习应用于大型数据库的一种综合的信息处理技术。