基于网络数据的不同情景中石油供应中断突发事件应急管理研究

With the coming of the Data era, scholars are pay more attention to the role of data in emergency management. In crude oil emergency management field, under different kinds of emergencies, we have established CVAR model to analyze crude oil import purchasing strategy under different oil disruption scenarios and the influence of SPR on easing oil price volatility. Based on this, in the context of big data, this project intends to add network search data to analyze the role of SPR release on mitigating the crude oil prices fluctuation caused by emergencies more accurately. In addition, we discuss how much SPR should China own to guarantee no much economic losses occur when oil supply disruption happens in a certain region. In theory, we establish a model discussing the impact of SPR on easing crude oil prices fluctuation when oil supply disruptions in different regions, then discuss the minimum safe reserves of China's oil strategic reserves. In application, we analyzed and predicted more accurately and timely energy supply disruptions, improved the emergency management system of traditional oil supply disruptions and improved our ability to deal with disruptions in oil supply in different regions.

随着数据时代的到来，学者们更加关注数据在应急管理中的作用。在石油应急管理方面，我们已经建立了不同类型突发事件下的CVAR模型，分析不同突发事件情景下原油进口采购策略及石油战略储备对缓解油价波动的作用。基于此，本项目拟在信息时代背景下，增加网络搜索数据，更精确的分析石油战略储备释放对缓解突发事件造成的原油价格波动的作用。并进一步探讨当某一地区供应中断时，我国石油战略储备达到多少才能保证对经济损失影响不大。理论上，我们建立不同地区原油供应中断情况下，石油战略储备对缓解原油价格波动的影响模型，探讨我国石油战略储备的最低安全储量区间。应用上，我们更加准确、及时地对能源供应中断突发事件进行分析和预测，改善传统的石油供应中断突发事件的应急管理体制，提升其应对不同地区石油供应中断突发事件的能力。

“大数据”的优势是可以将传统的石油数据与其他来源的网络数据联系起来，利用数据信息对石油供应中断突发事件发生的危险因素进行比对关联分析，构建适用于复杂情景、海量数据的信息挖掘平台。因此，申请人基于大数据背景，从石油供应中断风险为出发点，以大数据算法为辅助路径，主要围绕风险管理和大数据创新与应用等领域开展深入的理论探索和应用研究，主要分为三方面：第一，申请人提出了改进传统案例分析的建议，将网络搜索数据纳入到分析框架之中，考虑突发事件下原油价格波动问题，采用结构断点法，深入研究不同突发情况下国际市场原油价格波动规律。此外，考虑应急数据和网络搜索数据，建立了自回归分布滞后模型并利用特定突发事件的网络关注指数来解释石油价格波动，并分析了这种关注的影响。第二，将机器学习技术融入临床患者病情评估的各项流程，建立数据驱动的评估分级框架。首先，通过统计学检验和梯度提升迭代决策树（GBDT）算法从众多医学指标中提取关键特征，构建指标体系；然后，利用熵的离散化算法定位特征异常程度的区间边界，并结合临床专家意见进行区间评分；接着，基于随机森林（RF）算法确定特征权重，度量不同特征对结果标签的贡献度；最后，加权集结患者的各项特征值，对其病情严重程度作出综合评估和等级划分。第三，利用python中的requests库模拟登陆新浪微博进行网络爬虫获取数据，爬取的信息包括评论日期、评论内容、评论者性别、粉丝数等。并结合自然语言处理技术与python的SnowNLP情感分析模块建立了一个情感分类模型来对人民日报官方微博86天内的105536条疫情评论进行了情感标注（正向与负向）。利用此数据集我们探究了中国疫情期间网络舆情变化同疫情变化的潜在规律。本研究结合危机管理基础理论，利用大数据分析方法，不仅探索了文本分析在突发事件舆情监控下的应用，建立了石油供应中断突发事件防控效果评估体系，而且从健康管理的视角为疾病诊疗优化提供科学依据。