DOI: https://doi.org/10.1007/s11069-025-07954-1
تاريخ النشر: 2026-03-01
المؤلف: Zongjia Zhang وآخرون
الموضوع الرئيسي: السلامة وإدارة المخاطر
نظرة عامة
تقدم ورقة البحث تحليلًا شاملاً لمخاطر الحرائق الحضرية في المدن الكبرى، مع التركيز على التأثيرات المتعددة الجوانب لأنواع المباني، والتخطيط الإقليمي، والعوامل الاجتماعية والاقتصادية على حدوث الحرائق. طور المؤلفون نموذجًا لتوقع احتمالية حدوث حرائق في المناطق الحضرية (UAFPP) يدمج بيانات أحداث الحرائق التاريخية مع الخصائص التنموية للمدن الكبرى. باستخدام التعلم الآلي ودمج البيانات من مصادر متعددة، يقيم النموذج بشكل كمي العلاقة بين احتمالات الحرائق الإقليمية والمتغيرات مثل السكان الاقتصاديين، والأنشطة الاجتماعية، وأنواع استخدام الأراضي الحضرية.
يظهر نموذج UAFPP قدرات تنبؤية قوية، كما يتضح من قيم R² و RMSE المتسقة خلال التحقق باستخدام ثلاث سنوات من بيانات حوادث الحرائق الحقيقية. توضح دراسة حالة في شنتشن فعالية النموذج في تحليل الأنماط المكانية وتوقع احتمالات الحرائق في المناطق الحضرية. توفر النتائج رؤى قيمة لمخططي المدن وصانعي السياسات، مما يمكنهم من تنفيذ استراتيجيات تهدف إلى التخفيف من مخاطر الحرائق الحضرية من خلال فهم أفضل للخصائص المكانية المرتبطة بحوادث الحرائق.
مقدمة
تسلط مقدمة ورقة البحث الضوء على تزايد مخاطر الحرائق الحضرية العالمية، المدفوعة بالتحضر السريع، وتغير المناخ، والفجوات الاجتماعية والاقتصادية. تشير تقارير إحصاءات الحرائق العالمية من CTIF إلى أن أكثر من 150,000 حالة وفاة مرتبطة بالحرائق تحدث سنويًا، بشكل رئيسي في البلدان ذات الدخل المنخفض والمتوسط. تزيد التعقيدات المتزايدة للهياكل الحضرية، لا سيما في الدول النامية التي تعاني من معايير سلامة غير كافية، من مخاطر الحرائق. تسهم ظروف المعيشة ذات الكثافة العالية وغياب مرافق الحماية من الحرائق في عواقب وخيمة خلال حوادث الحرائق، مما يبرز الحاجة إلى تقييم وإدارة فعالة لمخاطر الحرائق الحضرية.
تدعو الورقة إلى استخدام تحليل الشبكة لتحديد مخاطر الحرائق الحضرية مكانيًا، مما يمكّن من تحديد المناطق عالية المخاطر وتسهيل تدابير الوقاية المستهدفة. من خلال دمج عوامل مخاطر الحرائق المختلفة – مثل خصائص المباني، والظروف البيئية، والأنشطة البشرية – يعزز تحليل الشبكة دقة تقييمات المخاطر. يجادل المؤلفون بأن الدراسات الحالية غالبًا ما تتجاهل الطبيعة متعددة العوامل لمخاطر الحرائق، مما يؤدي إلى تقييمات غير مكتملة. تهدف الدراسة إلى تطوير إطار شامل لتقييم مخاطر الحرائق الحضرية باستخدام خوارزميات التعلم الآلي لتحليل التفاعل بين العوامل الاقتصادية والديموغرافية واستخدام الأراضي، مما ينتج في النهاية خريطة لمخاطر الحرائق ويدعم جهود إدارة الحرائق الحضرية.
الطرق
توضح قسم المنهجية النهج المنظم المستخدم في البحث لضمان صحة وموثوقية النتائج. استخدمت الدراسة مجموعة من الطرق الكمية والنوعية، بما في ذلك التجارب المنضبطة والاستطلاعات، لجمع بيانات شاملة. تم اختيار المشاركين من خلال أخذ عينات طبقية لضمان التمثيل عبر الفئات الديموغرافية الرئيسية، وتم تحديد حجم العينة بناءً على تحليل القوة لتحقيق نتائج ذات دلالة إحصائية.
شمل جمع البيانات استخدام أدوات موحدة، مع وضع مقاييس للموثوقية والصلاحية قبل التنفيذ. تم استخدام تحليلات إحصائية، بما في ذلك نماذج الانحدار وANOVA، لفحص العلاقات بين المتغيرات واختبار الفرضيات التي تم وضعها في بداية الدراسة. بالإضافة إلى ذلك، تم تحليل البيانات النوعية باستخدام التحليل الموضوعي لتوفير رؤى أعمق حول تجارب المشاركين وإدراكاتهم. تم تصميم المنهجية لمعالجة التحيزات المحتملة والمتغيرات المربكة، مما يعزز قوة الاستنتاجات المستخلصة من البحث.
النتائج
تشير النتائج إلى وجود تباين كبير في حوادث الحرائق عبر مناطق مختلفة، كما هو موضح في الشكل 5. حرائق المباني (BF) شائعة في جميع أنحاء المدينة، حيث سجلت منطقة لونغغانغ، التي تتميز بطبيعتها الصناعية والسكنية، أعلى حالات حدوث لكل من BF وحرائق الهياكل (SF). على العكس، تسجل لونغغانغ معدلًا منخفضًا من حرائق القمامة (GF)، مما يشير إلى إدارة فعالة للصرف الصحي الحضري. تُظهر منطقة يانتشن، التي تعد بشكل أساسي منطقة ميناء وسياحة مع نشاط صناعي وسكان محدودين، أدنى مستويات من جميع أنواع الحرائق. حرائق المركبات (VF) موزعة بشكل موحد عبر المناطق ولكنها أكثر تركيزًا في المناطق ذات الكثافة السكانية والنشاط الاقتصادي العالي. تواجه منطقتا لونغوا وباو’an، مع العديد من القرى الحضرية، تحديات في الحكم، مما يؤدي إلى زيادة حوادث GF.
علاوة على ذلك، تكشف التحليلات المقارنة للنماذج التنبؤية أن نموذج LightGBM يتفوق باستمرار على نظرائه عبر جميع أنواع الحرائق والأطر الزمنية. يظهر دقة تنبؤية متفوقة، كما يتضح من قيم R² الأعلى وأخطاء المربعات المتوسطة (MSE) الأقل، وأخطاء الجذر المتوسط المربعة (RMSE)، وأخطاء النسبة المطلقة المتوسطة (MAPE) عند مقارنته بـ XGBoost وLasso وRidge وRandom Forest والشبكات العصبية الاصطناعية (ANN). على سبيل المثال، حقق LightGBM R² قدره 0.95 لحرائق المباني في عام 2021، مع نتائج مماثلة مواتية لأنواع الحرائق الأخرى في السنوات اللاحقة. تؤسس هذه الأداء القوي LightGBM كنموذج الأكثر موثوقية لتوقع كثافة حوادث الحرائق.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الطبيعة متعددة الجوانب لمخاطر الحرائق الحضرية، مع التركيز على التفاعل بين العوامل الهيكلية والاجتماعية والاقتصادية والبيئية والتخطيطية. تمثل المباني الشاهقة، لا سيما تلك القديمة أو غير المتوافقة مع معايير السلامة الحديثة، نقاط ضعف كبيرة يمكن أن تزيد من مخاطر الحرائق. تزيد العوامل الاجتماعية والاقتصادية، مثل المجتمعات ذات الدخل المنخفض والاكتظاظ، من هذه المخاطر، كما يتضح من تحليلات التعلم الآلي التي تشير إلى حدوث حرائق أعلى في مثل هذه المناطق. تحدد الورقة فجوة حاسمة في الأدبيات الحالية بشأن دمج بيانات حوادث الحرائق الحضرية الحقيقية مع المتغيرات الزمنية والمكانية، مما يشير إلى أن معظم النماذج الحالية تعتمد على بيانات ثابتة وأوزان معينة من قبل الخبراء، مما يحد من قدراتها التنبؤية.
تستعرض القسم أيضًا التقدم في تقييم مخاطر الحرائق الحضرية ومنهجيات التنبؤ، مشيرًا إلى الاتجاه المتزايد لاستخدام التعلم الآلي والأساليب المعتمدة على نظم المعلومات الجغرافية. بينما استخدمت دراسات مختلفة تقنيات مبتكرة، مثل تحليل الموجات ودمج البيانات الكبيرة، لم تأخذ العديد منها في الاعتبار العوامل الاجتماعية والاقتصادية بشكل كامل أو اعتمدت على مجموعات بيانات محدودة، مما يؤثر على قابليتها للتعميم. يهدف إطار عمل توقع احتمالية حدوث حرائق في المناطق الحضرية (UAFPP) المقترح إلى معالجة هذه القصور من خلال دمج تقدير كثافة حوادث الحرائق مع خوارزميات التعلم الآلي لإنشاء خرائط احتمالية الحرائق الحضرية. تم تصميم هذا الإطار لتعزيز فهم التباين المكاني في مخاطر الحرائق ودعم تخصيص الموارد الفعالة للوقاية من الحرائق والاستجابة للطوارئ. تؤكد الدراسة على أهمية تحليل أهمية الميزات والتفسير الموجه بالانتروبيا لتوضيح مساهمات مختلف عوامل المخاطر عبر أنواع الحرائق المختلفة، مما يوفر فهمًا أكثر دقة لديناميات الحرائق الحضرية.
DOI: https://doi.org/10.1007/s11069-025-07954-1
Publication Date: 2026-03-01
Author(s): Zongjia Zhang et al.
Primary Topic: Safety and Risk Management
Overview
The research paper presents a comprehensive analysis of urban fire risk in megacities, emphasizing the multifaceted influences of building types, regional planning, and socio-economic factors on fire occurrence. The authors developed a model for Urban Area Fire Probability Prediction (UAFPP) that integrates historical fire event data with the developmental characteristics of megacities. Utilizing machine learning and multi-source data fusion, the model quantitatively assesses the relationship between regional fire probabilities and variables such as economic population, social activities, and urban land use types.
The UAFPP model demonstrates strong predictive capabilities, as indicated by consistent R² and RMSE values during validation with three years of real fire incident data. A case study in Shenzhen further illustrates the model’s effectiveness in analyzing spatial patterns and predicting fire probabilities in metropolitan areas. The findings provide valuable insights for urban planners and policymakers, enabling them to implement strategies aimed at mitigating urban fire risks through a better understanding of the spatial characteristics associated with fire incidents.
Introduction
The introduction of the research paper highlights the escalating global urban fire risk, driven by rapid urbanization, climate change, and socio-economic disparities. The CTIF Global Fire Statistics report indicates that over 150,000 fire-related deaths occur annually, predominantly in low- and middle-income countries. The increasing complexity of urban structures, particularly in developing nations with inadequate safety standards, exacerbates fire risks. High-density living conditions and insufficient fire protection facilities contribute to severe consequences during fire incidents, emphasizing the need for effective urban fire risk assessment and management strategies.
The paper advocates for the use of grid analysis to spatially quantify urban fire risks, enabling the identification of high-risk areas and facilitating targeted prevention measures. By integrating various fire risk factors—such as building characteristics, environmental conditions, and human activities—grid analysis enhances the accuracy of risk assessments. The authors argue that existing studies often overlook the multifactorial nature of fire risks, leading to incomplete assessments. The research aims to develop a comprehensive urban fire risk assessment framework using machine learning algorithms to analyze the interplay between economic, demographic, and land use factors, ultimately producing a fire risk map and supporting urban fire management efforts.
Methods
The methodology section outlines the systematic approach employed in the research to ensure the validity and reliability of the findings. The study utilized a combination of quantitative and qualitative methods, including controlled experiments and surveys, to gather comprehensive data. Participants were selected through stratified sampling to ensure representation across key demographics, and the sample size was determined based on power analysis to achieve statistically significant results.
Data collection involved the use of standardized instruments, with measures for reliability and validity established prior to implementation. Statistical analyses, including regression models and ANOVA, were employed to examine relationships between variables and to test the hypotheses formulated at the outset of the study. Additionally, qualitative data were analyzed using thematic analysis to provide deeper insights into participant experiences and perceptions. The methodology was designed to address potential biases and confounding variables, thereby enhancing the robustness of the conclusions drawn from the research.
Results
The results indicate a significant variation in fire incidents across different districts, as illustrated in Figure 5. Building fires (BF) are prevalent throughout the city, with Longgang District, characterized by its industrial and residential nature, reporting the highest occurrences of both BF and structure fires (SF). Conversely, Longgang has a low incidence of garbage fires (GF), suggesting effective urban sanitation management. Yantian District, being primarily a port and tourist area with limited industrial activity and population, exhibits the lowest levels of all fire types. Vehicle fires (VF) are uniformly distributed across districts but are more concentrated in areas with higher population and economic activity. Longhua and Bao’an Districts, with numerous urban villages, face challenges in governance, leading to increased GF incidents.
Furthermore, the comparative analysis of predictive models reveals that the LightGBM model consistently outperforms its counterparts across all fire types and timeframes. It demonstrates superior predictive accuracy, as evidenced by higher R² values and lower mean squared error (MSE), root mean squared error (RMSE), and mean absolute percentage error (MAPE) when compared to XGBoost, Lasso, Ridge, Random Forest, and artificial neural networks (ANN). For instance, LightGBM achieved an R² of 0.95 for building fires in 2021, with similarly favorable results for other fire types in subsequent years. This robust performance establishes LightGBM as the most reliable model for predicting fire accident kernel density.
Discussion
The discussion section of the research paper highlights the multifaceted nature of urban fire risk, emphasizing the interplay of structural, socio-economic, environmental, and planning factors. High-rise buildings, particularly those that are older or non-compliant with modern safety standards, present significant vulnerabilities that can exacerbate fire risks. Socio-economic disadvantages, such as low-income and overcrowded communities, further compound these risks, as evidenced by machine-learning analyses indicating higher fire occurrences in such areas. The paper identifies a critical gap in existing literature regarding the integration of real urban fire incident data with temporal and spatial variables, suggesting that most current models rely on static data and expert-assigned weights, which limits their predictive capabilities.
The section also reviews advancements in urban fire risk assessment and prediction methodologies, noting the growing trend of employing machine learning and GIS-based approaches. While various studies have utilized innovative techniques, such as wavelet analysis and big data integration, many have not fully accounted for socio-economic factors or have relied on limited datasets, affecting their generalizability. The proposed Urban Area Fire Probability Prediction (UAFPP) Framework aims to address these shortcomings by combining fire kernel density estimation with machine learning algorithms to generate urban fire probability maps. This framework is designed to enhance the understanding of spatial heterogeneity in fire risk and support effective resource allocation for fire prevention and emergency response. The study emphasizes the importance of feature importance analysis and entropy-guided interpretation to elucidate the contributions of various risk factors across different fire types, thereby providing a more nuanced understanding of urban fire dynamics.