基于不完整信息的社区检测方法在应急合作网络中的应用

《Engineering Applications of Artificial Intelligence》：Incomplete information-based community detection method for emergency cooperation networks

　　沈思敏|龚在武|郭伟|Francisco Javier Cabrerizo
南京信息科学技术大学管理科学与工程学院风险治理与应急决策研究所，南京210044，中国

**摘要**
紧急事件的复杂性、破坏性和不确定性要求应急决策者之间加强合作，这突显了探索应急合作网络中的社区结构和结构韧性以有效进行应急管理的重要性。针对应急环境中决策信息不完整的问题，本文首先采用共情关系来表示决策者之间的网络联系，然后提出了一种基于偏好分解思想的共情社区检测方法，该方法整合了节点属性和网络拓扑结构。借鉴社会生态系统中的共识度概念，我们定义了共情共识度和共情网络韧性的新概念。为了最大化社会福利和网络韧性，本文构建了涵盖组织和个体的模型，将应急合作网络划分为多个社区，并获得一个具有韧性的社区结构。接下来，我们提出了一种基于深度优先搜索（DFS）的计算智能路径搜索算法，通过实时网络韧性评估动态优化路由决策。最后，通过中国河南省郑州市2021年暴雨灾害的案例研究验证了该方法的工程应用效果，证明了其在社区检测和应急协调网络中寻找弹性路径方面的有效性。

**引言**
紧急情况和灾害发生的频率比以往任何时候都要高。由小变化引发的灾害风险不再局限于某个地区或群体，而是深刻影响着所有社区。包括气象灾害、地质灾害和海洋灾害在内的各种类型的风险相互交织并不断演变，这使得建立应急合作网络成为应急决策的必然选择。应急合作网络是一种跨领域、跨组织和跨区域的协作机制，不仅包括政府部门、非政府组织和国际机构，还包括企业、学术界、社会团体以及所有社区。通过信息共享、资源协调和行动协调，形成了一个多样化的合作体系（Tu等人，2023年；Chen等人，2020年）。例如，在面对重大紧急情况时，联邦和地方应急管理机构必须迅速高效地与其他政府部门、专业救援队伍、医疗机构、志愿者团队和社区协调，形成一个包括救援人员、一线专家和志愿者在内的大规模应急决策团队，共同诊断问题、评估并选择解决方案（Xu等人，2020年；Orshella等人，2023年；Ashraf等人，2023年）。当前的研究主要集中在应急合作网络的宏观结构（Hu等人，2020年）、这些网络内部的微观关系（Mizrahi等人，2021年；Ku等人，2024年）以及绩效评估（Hu等人，2022年）上。然而，仍存在两个主要 limitation：（1）过分强调组织节点之间的互动，而忽视了个体间社会关系在弥补应急响应中的机构差距方面的作用；例如，在汶川地震中，跨区域救援团队的协调效率不仅取决于上级的命令，还取决于救援人员与当地医护人员基于专业身份的情感联系；（2）数据大多依赖于事后回顾，难以捕捉个体间动态变化的联系。此外，对于社会关系如何转化为协作效果的研究尚不深入。

应急合作网络本质上是一种特殊形式的社会网络。社会网络由一组通过网络中的有向边连接和互动的代理组成。作为图表示的社会网络对应于邻接矩阵（Kang等人，2024年）。在社会网络群体决策研究中，专家通常需要自行提供邻接矩阵，并关注应急响应阶段，期望获得科学的决策结果以协助协调者。现有研究对数据完整性要求较高。然而，在应急管理中，信息往往是有限或不完整的。此外，无论是研究应急组织间合作网络还是研究决策个体间合作网络的研究，都将应急组织或决策成员抽象为网络节点，并强调网络关系的互惠性、利他性和传递性（He等人，2023年；Zhao等人，2023年）。大多数用于社会网络社区检测的研究方法都基于拓扑结构或节点属性完全已知的条件（Huang等人，2020年）。因此，基于不完整信息探索社区结构的理论研究迫切需要引入新的研究范式和思路。基于此，本文从以下三个问题入手研究应急合作网络：
(i) 描述代理间社会关系的应急合作网络的拓扑结构是什么，如何进行研究？
(ii) 我们能否构建涵盖组织和个体的模型，基于不完整信息获得应急合作网络的社区结构？
(iii) 如何为应急合作网络获得有弹性的社区和弹性路径？

多代理协作治理紧急情况需要建立代理之间的联系并形成紧密的结构，以扩大合作范围、实现快速响应并提高系统的韧性。我们应用共情关系来捕捉应急合作网络中代理间的相互依赖性。共情是指个体对他人情感的理解以及对他人社会福利的关心，这是一种促进他人福祉的利他行为（Fontaine，1997年；Singer，2006年）。行为经济学和神经科学的一些实验已经证实了共情偏好的存在（Fontaine，1997年；Singer，2006年；Brandts和Charness，2004年；Singer等人，2006年）。2019年，Salehi-Abari等人首次将共情社会选择框架引入群体决策问题，将个体效用分解为自身效用和对他人个体的共情效用，并构建了局部和全局共情社会选择模型。这项工作为共情网络环境中的群体决策问题研究奠定了理论基础。在此基础上，Bu等人（2023年）提出了一个具有社区意识的共情社会选择模型，并使用博弈论方法找到最大化社会福利的最优局部和全局社区结构。尽管该模型为社区结构优化提供了重要的理论基础，但其内部暗示的局部优化与全局目标之间的潜在冲突仍需深入探讨和妥善解决。以应急管理为例，当子群体基于共情进行快速响应（实现局部最优）时，可能会导致资源分配冗余或跨系统协调效率下降等全局次优问题。为了有效协调这种矛盾，本文构建的优化模型不仅旨在最大化全局网络韧性或优化社会福利，还能够识别并确定最适应的社区结构配置，从而在确保局部响应效率的基础上实现整体系统的最佳协同效应。

值得注意的是，紧急情况的高不确定性，如灾难规模的不可预测性和资源缺口，常常使正式机构失效。在这种情况下，个体间的共情可以迅速建立牢固的关系，并作为机构差距的润滑剂（Tao和Zhang，2023年）。例如，在美国联邦政府的PPP项目中，政府与企业之间的合作基于对人们生计的关怀（Staples和Krumel，2022年）。在COVID-19疫苗选择中，专家间的共情网络提高了决策的准确性（Li和Liao，2023年）。这两个例子都验证了共情和其他社会关系在应急合作中的关键作用。此外，互联网技术打破了层级信息垄断，使一线救援人员和专家等个体能够绕过官僚机制直接相互联系，形成去中介的临时网络。例如，在郑州洪水救援中，救援团队通过微信群组共享信息。在特定情况下，这类网络的灵活性甚至可以超过正式机构（Guan等人，2025年）。同时，地缘政治邻近性在应急合作中也起着重要作用。邻近地区在资源分配和协调响应方面具有自然优势，而贸易互补性可以促进不同地区根据自身优势分配资源，提高应急响应的整体效率。应当注意的是，像军事层级这样的正式结构的去个性化在常规任务中更为高效。然而，紧急情况下的非结构化风险要求合作网络既具有资源调动的刚性，又具备动态适应的灵活性。这两种特性是互补的，而非对立的（Sydnes等人，2025年）。这种互补性在实践中表现为层级基础和网络赋权的协同范式：军事层级系统凭借其标准化流程和集中指挥优势，确保了高效的资源调动和无障碍的指挥传递。以鸡石山地震救援为例，西部战区的前方指挥所统一调配了多军种资源，迅速建立了指挥联系，划定了任务区域并集结了物资，为整个救援系统提供了稳定的结构支持。同时，基于共情的灵活网络在执行端展示了高度的自适应能力和创新的问题解决能力。在道路被切断的关键情况下，武装警察官兵徒步赶往灾区，他们自发提供衣物和食物，并整夜工作搭建帐篷，体现了基于共情和实时评估的灵活响应，有效解决了标准化程序无法覆盖的细节问题。现代信息技术作为这两种特性的催化剂，促进了它们的整合。例如，通过构建战场信息网络，军队实现了移动连接，确保了指挥链（刚性）和一线信息（灵活性）之间的无缝整合，从而提升了整体协调效率。

**社区检测**
复杂网络中的社区检测，即识别网络中内部紧密连接的节点群体的过程，已成为数据挖掘领域的研究热点。一类经典的社区检测方法仅考虑网络的链接结构，忽略了节点的特征，如Newman算法（Guo等人，2022年）、Louvain算法（Seifikar等人，2020年）和标签传播（Zhang等人，2020年）。当网络中有关于代理的信息时，该网络被称为属性网络，如社会网络、蛋白质网络和学术引用网络（Contisciani等人，2020年）。一些经典社区检测方法仅使用节点属性来发现社区，完全忽略了代理之间的链接，如k均值聚类算法（Kumar等人，2024年）。为了充分利用网络中的可用信息，基于节点属性和网络拓扑的社区检测已成为复杂网络领域的新方向。在当前的研究中（Huang等人，2024年；Sia等人，2022年；Huang等人，2020年；Liu等人，2024年），学者们基于两个基本原则进行社区检测：（1）属性的同质性，即同一社区内的节点属性相似，不同社区内的节点属性不同；（2）结构的紧密性，即社区内部的链接紧密，社区外的链接稀疏。基于这两个基本原则的网络社区检测不仅要求社区内的节点之间链接更紧密，还要求它们具有相似的属性。然而，当前社区检测方法在处理不完整信息时面临显著局限性：传统算法仅依赖网络拓扑或节点属性，难以捕捉由不明确信息和紧急场景中实体的动态进出引起的不完整连接（Shen等人，2025年）。例如，在郑州洪水期间，民间救援团队通过微信群组形成的临时网络，其节点和边随着灾情的演变而实时变化，传统方法难以有效识别这种动态社区的韧性结构。此外，一些基于时间网络的社区检测方法在面对数据稀疏和不完整的情况时也无法准确重建系统的动态演变，从而导致社区识别不完整或有偏。以考古网络为例，由于数据的不完整性，通常只能构建出代表完整网络的部分子图。然而，这些子图往往无法完全恢复整个网络结构，从而限制了对社区结构的准确识别（Daems等人，2024年）。人工智能（AI）在网络分析领域的应用日益广泛，涵盖信息传播、网络安全、推荐系统和网络优化等多个方向。在社交网络分析中，AI技术被用于用户行为建模、社区检测、影响分析和挖掘（Fei等人，2025年；Ahmadi等人，2025年）。在信息传播预测方面，深度学习模型可以有效地捕捉复杂网络中的动态传播模式（Liu等人，2023年）。在网络安全领域，AI有助于恶意流量检测、异常识别和网络攻击防御（Zhang和Sarkar，2025年）。此外，AI在网络资源调度、智能路由优化和个性化推荐中也发挥着关键作用（Akbarifard等人，2024年；Upadhyay等人，2023年；Bansal等人，2024年）。尽管在社区检测方面取得了显著进展，但在紧急情况下的动态网络分析仍面临关键挑战。紧急情况往往导致网络信息不完整和结构快速演变。现有方法在数据丢失或噪声干扰的情况下难以准确识别关键社区结构，更无法有效评估社区的功能和韧性。

韧性起源于系统生态学，其基本含义是指系统在危机事件中抵御外部冲击并保持主要功能的能力（Holling，1973年）。Hsiang和Jina（2014年）概述了灾后经济韧性如何受到诸如创造性破坏、重建得更好、恢复趋势和无恢复等假设的影响，具体结果取决于灾害的类型、规模和恢复方法，从而对长期增长路径造成不确定性。网络韧性已成为网络科学的一个新兴分支（Liu等人，2022年）。根据系统理论中的结构决定功能的原则，网络拓扑被认为是影响韧性的一个重要参数（Liu等人，2022年；Zhao等人，2024年；Xu和Chopra，2023年）。此外，一些研究结果表明，不应忽视节点本身对网络韧性的作用（Hu等人，2017年；Kaiser等人，2021年）。特别是Hu等人（2017年）提出了网络共识度的理论，并指出任何网络系统的韧性是其网络拓扑和节点功能的共同作用结果。在应急管理领域，学者们开始关注复杂网络子系统的韧性研究，包括复杂城市系统对灾害的社区韧性（Lowe和Macdonald，2020年）、卫星间网络子系统的韧性（Hong等人，2021年），以及城市集群中的经济、社会、环境和技术子系统的韧性（Lu等人，2022年）。社区检测和韧性测量以及其他网络分析方法为理解危机情况下的合作网络构建提供了系统的研究框架。现有研究表明，危机合作网络表现出显著的多层次特征。在结构层面上，网络通常由正式组织和非正式参与者组成（Hughes，2009年），形成了动态演变的混合拓扑。在功能层面上，网络表现出自组织和适应性调整的双重特征（Comes等人，2013年）。关于社交媒体分析的研究发现，信息传播机制在网络的自组织过程中起着关键作用，尤其是在危机早期阶段的信息流动模式。它的非线性传播特征（Liu等人，2019年）往往决定了合作网络的后续形态（Chowdhury等人，2013年）。同时，研究表明，在危机情况下，预先建立的合作机制和动态调整能力对于维持网络稳定性至关重要，但它们也面临信息质量和群体行为失控等风险（Rizza等人，2014年）。虽然公众参与可以提高网络响应能力（Dashti等人，2014年），但也可能由于信息过载和相关的情感混乱而降低协调效率（Caragea等人，2014年）。然而，当前研究在探索网络社区的结构和功能定位以及研究信息的韧性传输路径方面仍存在显著局限。

为了获得具有网络韧性和社会福利最大化的社区结构，本文旨在从多智能体协作治理的角度解决在信息不完整的情况下进行社区检测的问题。我们将涵盖应急组织或个体的智能体视为节点，并应用同理关系来表示智能体之间的网络关系，以构建应急合作网络。根据基于阈值的排序分类方法（Greco等人，2010a；Li等人，2024年；Kadziński等人，2015年），利用偏好分解范式（Greco等人，2008年；Figueira等人，2009年；Greco等人，2010b），提出了一种用于应急合作网络的同理社区发现方法，旨在通过协调器提供的分配示例和网络拓扑信息来实现应急合作网络的最优社区结构，从而最大化社会福利或网络系统的韧性。在应急合作网络中，协调器作为确保应急决策顺利进行的核心力量，承担着促进专家团队高效协作、根据事件动态精确调整任务以及科学合理分配资源的关键职责。本文的主要研究内容包括：
(1) 问题：本文考虑了应急合作网络中智能体决策行为的相互依赖性，并利用同理关系来描述微观网络结构。通过解决这个问题，找到了具有韧性的社区结构。
(2) 模型：根据协调器提供的分配信息和网络拓扑信息，本文构建了一系列模型来推断应急合作网络的完整拓扑结构并实现社区检测。为了模拟智能体之间的合作意愿和协调程度，我们引入了共识度的概念，通过整合节点功能和网络链接来定义同理共识度和网络韧性。基于此，我们首先构建了一个混合0-1线性规划模型来识别和消除不一致的信息。然后，基于这两个基本原则，本文提出了一种结合节点属性和网络拓扑的同理社区检测方法，并构建模型以获得智能体被分配到的潜在韧性社区。最后，以最大化社会福利和网络韧性为目标，实现了相应的社区检测并获得了韧性社区结构。
(3) 算法：为了获得最稳定的信息传播路径，我们提出了一种基于DFS的韧性路径搜索算法，用于处理任意两个节点之间可能存在多条路径的应急合作网络。
(4) 评估和实际应用：我们在文中穿插了一些数值示例来说明所提方法的可行性。此外，我们对重要的权衡参数进行了敏感性分析，检查该参数的变化对智能体被划分到的潜在韧性社区以及社区检测结果的影响。在此基础上，我们通过中国郑州“2021年7月20日”暴雨灾害的实际情况验证了本文提出方法的有效性。

本文的其余部分组织如下：第2节介绍了同理网络的特性和社区检测问题。第3节介绍了同理社区检测方法的基本思想和不同类型的分配及网络拓扑信息。第4节提出了在信息不完整情况下的应急合作网络同理社区检测方法。第5节研究了实际案例应用，包括敏感性分析和比较研究。第6节总结了结论。

**定义和符号**
本节使用同理网络来表示应急合作网络，其中网络节点代表应急智能体。节点之间的同理链接描述了智能体之间的合作关系。本节还简要回顾了同理社会选择模型和社区检测问题。我们假设有一组备选方案A={a, b, c, …}和一组应急决策智能体E={e1, e2, …, en}，其中智能体可以是应急人员。

**同理社区检测方法的基本思想**
紧急情况下的时间和资源限制通常导致信息不完整。本节主要介绍了同理共识度和同理网络韧性的概念、同理社区检测方法以及信息不完整的类型。

**信息不完整情况下的同理社区检测方法**
在本节中，我们介绍了信息不完整情况下的同理社区检测方法。该方法的一般框架如图1所示，包括六个主要组成部分：
(1) 定义同理共识度和网络韧性，为后续对应急合作网络的定量评估奠定基础。
(2) 确定同理社区检测方法，协调器提供不完整信息。
(3) 转换...

**暴雨灾害中的应急合作网络社区检测**
在本节中，我们首先通过实际应用验证了所提方法的有效性，然后通过敏感性分析说明了权衡系数α对结果的影响。

**结论**
应急管理需要包括执法、消防、交通管理部门以及志愿者和专家等个人在内的不同组织之间的无缝协作，形成一个统一的力量，以保护受影响社区的生命、健康和财产。上述协作的复杂性对决策支持和网络韧性提出了更高的要求。为了解决这个问题，我们的研究...

**作者贡献声明**
Simin Shen：撰写——原始草稿、方法论、形式分析、概念化。
Zaiwu Gong：撰写——审阅与编辑、方法论、资金获取、概念化。
Guo Wei：撰写——审阅与编辑、验证、方法论、概念化。
Francisco Javier Cabrerizo：撰写——审阅与编辑、方法论、资金获取、概念化。

**利益冲突声明**
作者声明他们没有已知的财务利益或可能影响本文工作的个人关系。

**致谢**
本研究部分得到了国家自然科学基金（项目编号72371137）、江苏省社会科学基金（项目编号26ZXZA018）、江苏省研究生研究与实践创新计划（项目编号KYCX24_1394）以及MICIU/AEI/10.13039/501100011033和ERDF/EU资助的支持。