摘要：在快速城市化和工业化进程中，城市饮用水源面临着日益严峻的突发性污染威胁，这对保障城市供水安全和公众健康构成了重大挑战。本文旨在构建一个流程化、标准化、智能化的城市供水应急响应决策支持模型（Water Supply Emergency Decision Support Model, WSE-DSM）。通过对松花江苯污染、广西龙江镉污染、江苏响水爆炸次生水污染及美国麋鹿河化学品泄漏等四个典型案例进行深度比较分析，本文提炼出应急响应全生命周期中的七个关键阶段：事件发现与预警、科学评估与响应启动、统一指挥与资源调度、源头控制与污染处置、供水保障与调度、风险沟通与信息发布、响应终止与善后评估。基于此框架，本文融合案例推理（Case-Based Reasoning, CBR）与识别启动决策（Recognition-Primed Decision, RPD）理论，设计了一个包含七大功能模块的决策支持系统架构。该模型不仅强调技术处置的科学性，更将风险沟通与公众信任管理作为核心要素，旨在实现信息流、资源流与决策流的高效同步。研究结果表明，所提出的 WSE-DSM 能够显著提升应急决策的速度、科学性和标准化水平，为广州等特大城市构建韧性供水安全保障体系提供了理论依据和实践路径。

　　关键词：供水安全；应急响应；决策支持系统；突发水污染；案例推理；风险沟通

　　1. 引言

　　1.1 研究背景与问题提出

　　随着全球城市化进程的加速和工业布局的密集化，城市赖以生存的饮用水源正面临着严峻的突发性污染风险。由工业生产事故、危险化学品运输泄漏、自然灾害次生环境事件等引发的水源污染，具有突发性强、扩散迅速、处置困难、社会影响大等特点，已成为威胁城市公共安全的重大隐患。一旦水源地遭受污染，不仅直接威胁数百万居民的饮水安全和身体健康，还可能引发停水、社会恐慌、经济损失等一系列连锁反应。因此，如何有效应对重大水源突发污染事件，已成为衡量城市治理能力和应急管理水平的关键指标。然而，当前针对此类事件的应急响应在很大程度上仍依赖于临场指挥和专家经验，缺乏一套标准化的作业程序和智能化的决策辅助工具，导致响应效率和科学性参差不齐，这是本研究亟待解决的核心问题^[1]。

　　1.2 广州市供水系统脆弱性分析

　　广州市作为中国的特大城市和国家中心城市，其供水安全保障体系具有典型性和复杂性^[2-5]。为保障超过 1897 万常住人口（2024 年末数据）的用水需求，广州市构建了以西江、东江、北江三大境外水源为主，流溪河等本地水源为辅的 “三江并举” 多水源供水格局。这一格局在常规状态下通过水源互备，极大地提升了供水系统的韧性。然而，这种为保障韧性而设计的多源系统，也产生了一种独特的“韧性悖论”：对“客水”的高度依赖，带来了新的脆弱性。

　　首先，水源地流域广阔，跨越多个行政区，上游地区高密度的城市群和工业带使得污染风险源头难以完全掌控，风险控制的locus of control（控制点）已转移至城市行政管辖范围之外。其次，广州市河流水系发达，污染物一旦进入水体，扩散路径复杂，追踪和控制难度大。此外，珠江三角洲特有的咸潮问题，在枯水期会倒灌入河，若与上游污染事件叠加，将极大地压缩应急处置空间。广州市自来水有限公司作为中心城区唯一的供水经营主体，其日设计综合生产能力达519万立方米/日[26]，而根据规划，到2035年中心六区的最高日需水量将达到620万立方米[27]，这表明供水系统已在高负荷下运行，应对突发事件的冗余能力有限。这种外部风险高企与内部系统紧平衡并存的局面，凸显了构建一套高效、智能的应急决策支持系统的紧迫性与必要性。

　　1.3研究目标与内容

　　基于此，本研究旨在通过系统性的案例分析，构建一个标准化、流程化、并由信息技术支撑的城市供水应急响应决策支持模型（Water Supply Emergency Decision Support Model,WSE-DSM）。本研究的核心内容包括：首先，通过案例比较分析，提炼重大水源突发污染事件应急响应的通用关键节点，构建一个应急响应生命周期框架；其次，基于此框架设计一个能够支撑全生命周期管理的决策支持系统（Decision Support System,DSS）功能架构；最后，探讨该通用模型在广州市供水系统中的应用路径与价值，为提升城市供水系统的整体韧性和安全保障能力提供科学依据。

　　2.应急响应生命周期框架的构建

　　2.1典型案例的经验与教训

　　为构建具有普适性的应急响应框架，本研究选取了四个国内外影响深远的重大水源污染事件进行分析，通过系统性比较，识别应急响应过程中的共性规律与关键节点，如表1所示^[6-9]。

　　松花江苯污染事件表明，初期响应若缺乏对污染物的科学认知，错误的处置方式（如用水灭火）会加速灾难扩大，凸显了“科学评估”的重要性。江苏响水爆炸次生污染展示了成功的物理隔离（迅速关闭园区所有闸坝）和多部门高效联动，为“源头控制”和“统一指挥”提供了范例。广西龙江镉污染事件的应急处置被公认为成功，其统一高效的指挥体系、明确量化的处置目标（“四个确保”）、科学精准的技术干预以及密集动态的监测网络，为应急响应流程提供了“黄金标准”。美国麋鹿河化学品泄漏事件是典型负面案例，尽管技术处置基本到位，但信息发布的迟缓、矛盾与不透明最终摧毁了公众信任，表明“风险沟通”的失败足以使应急行动功亏一篑。

　　2.2理论基础：CBR与RPD的融合

　　为使模型兼具历史经验与应对未知挑战的灵活性，WSE-DSM的构建融合了两种决策支持理论：

　　（1）案例推理（Case-Based Reasoning,CBR）：CBR的核心思想是通过检索、重用与当前问题相似的历史案例来解决新问题。在应急管理场景中，这意味着将过往的成功处置方案（如广西龙江镉污染事件）与失败教训（如美国麋鹿河化学品泄漏事件）结构化，形成可计算的知识库。当新事件发生时，系统可自动匹配并推荐最相关的历史经验，将专家难言的隐性知识转化为可操作的决策建议^[10-11]。

　　（2）识别启动决策（Recognition-Primed Decision,RPD）：RPD模型描述了专家在“时间紧迫、信息不全”的高压环境下的决策逻辑——其并非全面分析所有选项，而是快速将当前情景与经验库中的模式匹配；一旦匹配成功，便立即采取关联行动方案^[12]。

　　在WSE-DSM的设计中，两种理论形成协同机制：模型并非取代人类指挥官，而是作为其“外置大脑”。借助CBR技术，系统可快速为决策者提供多个高度相关的历史情景及处置方案，大幅加速RPD模型中的“模式匹配”过程；最终帮助指挥官在“黄金救援时间”内做出更科学、可靠的决策。

图1：CBR与RPD融合决策流程概念图

　　2.3七阶段生命周期框架

　　综合上述案例与理论基础，本文提炼通用应急响应生命周期框架（见表2）。该框架不仅是线性流程，更是学习与进化的闭环：在这一闭环中，第七阶段“响应终止与善后评估”的产出——本次事件的复盘总结与数据，将作为新案例输入CBR知识库。该机制使应急管理体系从实战中学习成长，实现持续迭代，推动传统静态应急预案向自我完善的动态自适应系统转变。

　　3.WSE-DSM功能架构设计

　　3.1整体架构与设计原则

　　为支撑上述七阶段生命周期，WSE-DSM设计为模块化综合信息系统，核心设计原则为将传统静态应急“预案”转变为动态数据驱动的应急“平台”^[13-14]。该平台通过整合信息流（监测数据、舆情）、资源流（人员、物资）与决策流（指令、预案）至统一指挥界面，打破部门信息孤岛，实现从被动响应向主动管理的转变^[15]。

　　3.2核心功能模块

图2：WSE-DSM系统功能架构图

　　WSE-DSM由七个核心功能子系统构成，各模块与生命周期的七个阶段紧密对应、协同工作，具体设计如表3所示。

　　每个模块旨在解决应急响应中的关键痛点。例如，模块2（多维评估与分级启动）内置全面化学品数据库，可避免松花江事件中因缺乏苯的物化性质知识引发的初期处置失误；模块4（技术干预与方案模拟）是CBR与RPD理论的核心载体，可模拟龙江事件中“河道沉降+调水稀释”方案的有效性，为决策者提供科学量化依据；模块6（整合式风险沟通）从机制上避免麋鹿河事件中信息混乱、信任丧失的灾难性后果，通过预设模板与统一发布口径，确保风险沟通的及时性、一致性，并体现同理心；模块7（事后评估与知识迭代）关闭学习循环，将应急处置全过程数据结构化归档，并加工为新案例存入CBR知识库，使系统具备自我进化能力。

　　3.3与法规体系的对齐

　　WSE-DSM严格遵循我国现行突发事件应急管理法律法规体系，确保实际应用中的合法性与权威性。例如，模块2的事件等级判定标准直接嵌入《国家突发环境事件应急预案》与《广州市突发环境事件应急预案》中关于特别重大（Ⅰ级）、重大（Ⅱ级）、较大（Ⅲ级）、一般（Ⅳ级）的划分标准；模块3的指挥体系架构、模块6的信息发布流程均对标相关预案，确保应急响应规范性与有序性。这使WSE-DSM不仅是技术工具，更是合规的应急管理流程执行平台^[22]。

　　4.模型应用价值与讨论

　　4.1模型的应用路径与价值

　　WSE-DSM在广州市自来水有限公司等大型供水企业落地应用需开展定制化工作：首先是数据集成，WSE-DSM需与企业生产调度（Supervisory Control and Data Acquisition,SCADA）、管网地理信息（Geographic Information System,GIS）、客户服务与水质化验（Laboratory Information Management System,LIMS）等系统深度对接，打破数据孤岛；其次是知识库构建，系统梳理录入珠江流域过往水污染事件、演练脚本及应急预案，构建地方特色CBR案例知识库；最后是模型参数校正，利用广州水文资料与管网数据，对水质模型与管网模型开展本地化校正，提高预测模拟精度。

　　该模型的应用价值在于，它能为广州这样的特大城市提供一个智慧化、标准化的应急响应“操作系统”，提升决策速度、科学性与规范性，进而增强城市供水系统应对不确定性风险的整体韧性。

　　4.2局限性与未来研究方向

　　本模型当前为概念框架，有效性仍需实践检验，主要局限性如下：首先，模型决策质量高度依赖CBR案例库的质量与数量，针对缺乏相似先例的“黑天鹅”污染事件，其辅助决策能力会受限；其次，模型嵌入的水文水质模型为适配快速响应已做简化，预测精度无法完全替代专业复杂的数值模型；此外，模型成功实施不仅是技术挑战，更是组织与管理挑战——而这一目标的实现需突破现实中普遍存在的组织壁垒与数据孤岛问题，实现水务、环保、应急管理等跨部门的高效数据共享与业务协同。

　　未来的研究可以从以下几个方面深化和拓展：

　　（1）引入机器学习[23]：在预警模块中，可采用更先进的机器学习算法，通过深度挖掘历史数据识别复杂污染模式，提升预警准确性与提前量；

　　（2）模型集成深化[24-25]：探索WSE-DSM与专业流域水环境模型、城市供水管网水力水质模型的深度耦合，实现从宏观决策到微观调度的无缝衔接；

　　（3）经济与社会影响评估：在模型中增设经济损失与社会影响科学评估模块，为决策者在“保供水”与“保安全”的权衡中提供更全面的决策依据。

　　5.结论

　　重大水源突发污染事件已成为威胁现代城市供水安全的重大潜在风险。面对日益增长的风险，传统应急响应模式已难以为继。本研究立足广州市实践需求，通过系统性复盘国内外重大水源污染事件，提炼出含七个阶段的通用应急响应生命周期，并在此基础上，构建集成案例推理、模型模拟与GIS技术的多功能流程化应急响应决策支持模型（WSE-DSM）。

　　该模型的核心创新体现在三方面：第一，以历史案例为基础，通过CBR技术将实践经验转化为可计算、可重用的决策资源；第二，将应急响应全过程分解为标准化操作流程，将其从静态“预案”升级为动态“平台”，实现应急管理范式转变；第三，亦是最重要的，将风险沟通与公众信任管理置于与技术处置同等重要的战略地位，致力于实现技术成功与社会成功的统一。

　　对于广州这类依赖复杂多源供水系统的特大城市，部署应用WSE-DSM等智慧应急平台，不仅是技术升级需求，更是提升城市治理能力、保障公共安全、构建韧性城市的战略选择。

参考文献

　　[1]LIU T, ZUO J, ZILLANTE G, et al. A systematic review of the research on urban water resilience[J]. Water, 2021, 13(20): 2939.

　　[2]MUGUME S N, DÍAZ-CANEJA B M, HAJIALI A, et al. A review of frameworks for resilience assessment of urban water supply and sanitation systems to climate change[J]. Aqua, 2024, 74(5): 388-406.

　　[3]吕拉昌, 丁嵩, 孙斌栋, 等. 城市韧性研究进展与展望[J]. 地理科学进展, 2020, 39(10): 1707-1720.

　　[4]杨秀平, 王里克, 李亚兵, 等. 韧性城市研究综述与展望[J]. 上海城市规划, 2019(5): 1-10.

　　[5]曹艺馨, 甄峰, 秦萧. 韧性城市的概念发展与理论框架演进[J]. 生态学报, 2020, 40(7): 2159-2170.

　　[6]YAN J, ZHANG J. The Songhua River pollution incident: A case study of crisis management in China[J]. Journal of Contemporary China, 2008, 17(57): 717-734.

　　[7]郑永年. 从松花江水污染事件看中国的环境危机与官僚体制[J]. 二十一世纪, 2006(93): 4-13.

　　[8]张晓健, 陈超, 米子龙, 等. 饮用水应急除镉净水技术与广西龙江河突发环境事件应急处置[J]. 给水排水, 2013, 49(1): 24-32.

　　[9]MANUEL J. Crisis and Emergency Risk Communication: Lessons from the Elk River spill[J]. Environmental Health Perspectives, 2014, 122(8): A216-A221.

　　[10]AAMODT A, PLAZA E. Case-based reasoning: Foundational issues, methodological variations, and system approaches[J]. AI Communications, 1994, 7(1): 39-59.

　　[11]DENG Q, LIANG H, WANG S, et al. Emergency management case-based reasoning systems: A survey of recent developments[J]. Natural Hazards, 2021, 109(1): 1-30.

　　[12]KLEIN G A. A recognition-primed decision (RPD) model of rapid decision making[M]//Decision making in action: Models and methods. Norwood, NJ: Ablex Publishing, 1993: 138-147.

　　[13]国务院办公厅. “十三五”国家突发事件应急体系建设规划[A/OL]. (2017-07-19)[2025-09-04]. https://www.gov.cn/zhengce/content/2017-07/19/content_5211752.htm.

　　[14]ZHAO Y, PAN Y, WANG W, et al. A brain-inspired dynamic environmental emergency response framework for sudden water pollution accidents[J]. IEEE Transactions on Neural Networks and Learning Systems, 2022, 34(11): 9297-9307.

　　[15]孙伟, 孙在朝, 孙阳昭, 等. 突发性水污染事故预警技术研究进展[J]. 环境监控与预警, 2022, 14(1): 1-7.

　　[16]LIU Y, GUO H C, ZHOU F, et al. A real-time, dynamic early-warning model based on uncertainty analysis and risk assessment for sudden water pollution accidents[J]. Water Resources Management, 2014, 28(11): 3545-3562.

　　[17]JIANG Y, LIU Y, ZHANG Y. An integrated decision support system for urban water environment management based on case-based reasoning[J]. Water, 2019, 11(3): 589.

　　[18]ZHANG Q, LIU T, HUANG G H. An inexact two-stage stochastic programming model for water resources management in a multi-source water supply region[J]. Journal of Water Supply: Research and Technology-AQUA, 2016, 65(2): 141-155.

　　[19]PENG Z, FAN W, WANG J. Risk communication, community support, and government trust during public health crises: Evidence from the COVID-19 pandemic in China[J]. Journal of Public Administration Research and Theory, 2021, 31(4): 687-703.

　　[20]曾繁旭, 丁悦. 网络社会中风险沟通共识的实现路径研究[J]. 新闻与传播评论, 2025, (4): 30-42.

　　[21]狄金华. 风险沟通与风险型环境群体性事件的应对[J]. 学习与探索, 2015(7): 98-108.

　　[22]环境保护部. 集中式饮用水水源地突发环境事件应急预案编制技术指南(征求意见稿)[A/OL]. (2017-08-16)[2025-09-04]. https://www.mee.gov.cn/gkml/hbb/bgth/201708/W020170816369650563699.pdf.

　　[23]SIT M, ATIQUE U, YUAN S, et al. Deep learning for water quality: A review[J]. Water Research, 2024, 252: 121226.

　　[24]水利部信息中心. 智慧水利建设顶层设计与路径[J]. 中国水利, 2022(14): 1-5.

　　[25]上海市水务局. 上海市水网建设规划（2021-2035年）[A/OL]. (2022-08-01)[2025-09-04].https://swj.sh.gov.cn/cmsres/f3/f3a1505ecc774d6fbd5d72f641790f28/ac071595aa602fcbe8c7ed9a8048b451.pdf.

　　[26]联合资信评估股份有限公司. 广州市自来水有限公司2024年跟踪评级报告[R]. 2024.

　　[27]广州市水务局. 广州市供水系统总体规划(2021-2035年)[R]. 2022.

　　[28]广州市人民代表大会常务委员会. 广州市供水用水条例[Z]. 2019-04-18/2019-10-01.