7 不确定度、敏感度、精确度和偏倚

7.1 概述
    不确定度是指计算出来的风险数值与真正的风险之间存在的差异。精确度指偏差的统计量，这些偏差以计算风险度量中误差概率分布的标准差为基础。偏倚指偏差分布的不对称程度。
    敏感度分析不能量化不确定度，但它是实现量化的开始。敏感度分析通过测量计算风险的变化量值(是由其中一个变量值发生改变或计算参数变化引起的)来调查不确定度传递。如果敏感度分析能够结合各分量的误差信息，就可能计算出随机不确定度。
    不确定度不只是由统计的不确定性造成的，还可能是风险计算过程中知识的缺乏或误差造成的。如果计算过程中忽略特定现象，如疏散时间计算过程中的预动作时间或火灾发展和后果计算过程中所产生的紊流现象，均可造成不确定度。
    有关消防安全工程模型不确定度分析的技术指南，见GB/T 31593.1的相关规定。
7.2 不确定度分析要素
7.2.1 如果相关数据不充足或对相关火灾现象的理解不科学，则会影响火灾风险评估的结果。在很多情况下，可用不确定度分析来反映这些不足和不科学的程度及其重要性。
    在火灾风险评估中，不确定度分析可以是为概率和后果估计量化不确定度，也可以是为风险评价标准量化不确定度。与遗漏的火灾现象、数据或计算方法的误用有关的误差问题较难以量化。
7.2.2 概率和后果估计中不确定度的量化可从原始数据不确定度的量化开始。
    实验室测量的不确定度量化通常依赖已知校准数据和试验设备的精确度值。如果对每个被测的量进行多次测量，则量化效果更好。该试验结果的概率分布即可代表不确定度。
    现场数据的不确定度量化，如对火灾的统计，可通过不同年份或不同地方的火灾起数变化来完成。在估计每年的火灾起数时，每起火灾不能作为估计每年火灾起数的数据点，但是每个社区每年的火灾起数则可以作为数据点。如果把数据转换成概率，如引燃概率或可靠性概率，则用现场可变化的数据作为参数来描述概率分布。
    如果估计值通过一定程序由多个参与人员系统地提出，则可对主观估计或主观推导参数的不确定度进行量化，而每个个体估计的可变性即为不确定度量化的依据。
    这些方法都无法量化不确定度中的系统偏倚问题。例如，如果采用一个区域的火灾统计数据去估计另一个区域的火灾引燃概率，则可能会造成系统差异，由此导致对这些差异的主观估计，将不确定度的量化建立在这些主观估计的变化基础之上。
7.2.3 一旦建立起火灾风险计算中所有确定参数的不确定度分布，就应计算这些不同形式的不确定度对最终火灾估计值的影响结果。初始风险计算可涉及到大量火灾场景的概率和后果计算，因此一个场景的许多不确定度变量可能会与其他需要计算场景的变量相对应，这一情况可降低计算量。另外，火灾风险估计可用蒙特卡洛方法或其他抽样方法来计算不确定概率的分布。
7.2.4 在进行不确定度分析时，应检查每个参数和假设(可用参数表示，而非变量)的基本风险估计程序。这些参数都存在不确定度问题。以火灾模型为例，如果火灾增长服从t²曲线，那么所涉及的不确定度因素就不仅包括作为t²系数的参数“a”，还包括式中的指数“2”。不可能对每个参数都进行不确定度分析，但应充分考虑每一个参数，并且系统地鉴别出那些可能改变风险估计和基于这些估计做出决策的参数。