引言

“情景”一词于1967年首次被提及，意为“事件的未来发展是充满不确定性的，潜在的发展结果也存在多样性，这些潜在的结果都有可能在未来出现，并且导致每个发展结果的路径也各不一样，而对这些潜在结果和趋向及其未来发展路径的描述将构成一套情景”（Kahn等，1967；夏登友，2015）。自此，围绕情景理论体系及相关分析方法的研究日益增多，并在企业管理、战略规划、计算机科学等诸多领域得到了广泛应用（Fahey，1999；Gilbert，2000；Wei等，2006）。

近年来，随着人类社会的不断发展，各类突发事件在全球范围内频繁发生，对公众生命安全和社会公共安全造成了严重威胁。由于突发事件具有突发性、复杂性、不确定性等特点，导致传统的“预测-应对”型应急模式收效甚微。考虑突发事件从生成、爆发、发展直至削弱消亡的整个过程中次生衍生出各种复杂情景，呈现出的特征属性均对应不同情景而存在，即具有“情景依赖”特性，有学者逐渐将情景引入突发事件应急管理中，在考虑情景依赖的基础上，发展了“情景-应对”型理论体系（Cosgrave，1996； Kowalski-Trakofler等，2003）。该方法基于事件发生及发展过程中不断变化的情景，实时生成应急决策方案并组织实施，可有效降低突发事件应急处置过程中的不确定性。首先，及时、准确地识别事件情景是有效应急的前提。众多学者围绕情景分类、情景库构建、情景推演等相关理论方法展开了研究，以期实现对事件静、动态情景模型的刻画（姜卉等，2009；刘铁民等，2010；袁晓芳等，2011；张明红等，2016；巩前胜，2018）。在此基础上，基于知识元、案例推导等生成对应情景下的应急处置方案，并在洪涝灾害、原油泄露、火灾爆炸等各类突发事件的应急处置中得到应用和验证（姜卉等，2012；王浩林等，2018）。

地震作为突发灾害，具有瞬间发生、破坏剧烈、次生灾害严重等特点，堪称重灾之首。及时、有效地应对地震灾害是我国应急管理工作中面临的极大挑战。“情景-应对”型理论体系作为重大突发事件应急决策的基本范式，近年来被应用于地震应急管理中，围绕地震灾害情景中的关键构成要素、情景表达与推演、基于地震情景的应急决策等方面展开了初步尝试（王建飞，2015；王慧彦等，2016；朱达邈，2017；Liu等，2020；Rodgers等，2020）。本文对“情景-应对”概念体系及关键技术进行介绍，并对其在地震灾害应急中的应用进行总结和讨论。

1.   情景分析

“情景-应对”型理论体系已成为目前有效应对重大突发事件的基础理论，其应用的前提在于对情景的识别与分析。“情景”的概念经过了诸多研究的丰富，可总结为一系列预期可能出现的状况合集，阐述了事件发生、发展及其未来演化趋势的整个过程。情景分析方法是通过假设、预测、模拟等手段生成未来情景，主要从情景识别和情景推演2个阶段展开，如何在短时间内快速、准确地识别突发事件实时情景，并实现情景表达与推演，是情景分析的核心所在。

1.1   情景识别

情景识别是根据搜集到的情景信息进行情景知识表达，并构建情景网络，再现实时的情景画面，以实现对突发事件当前状态的客观描述。因此，情景识别作为情景推演及应急处置的前提与依据，是“情景-应对”型理论体系的基础环节。

情景识别主要包括灾情信息收集和情景表达。情景要素作为情景的构成单元，是分析情景间关系的重要依据，因此情景识别的首要任务是提取关键的情景要素。一般认为情景要素主要涉及承灾体、致灾因子、环境因素等，随着“情景-应对”模式的发展，抗灾体的概念被引入情景中，加之环境因素既可能作为致灾体，也可能与承灾体有所重叠，综合考虑，明确情景要素应考虑致灾体、承灾体和抗灾体（姜卉，2012；陈晨等，2014；盛勇等，2015）。具体来说，致灾体包括地震、台风、病毒等自然致灾因子和战争、动乱等人为致灾因子。承灾体包括人、建筑物、生命线工程（电力、供水、通信等系统）、自然环境、人文环境和社会环境等。抗灾体主要指承担预防或降低突发事件严重后果任务的决策主体、抗灾人群和抗灾资源等。

情景信息收集从致灾体、承灾体和抗灾体3个维度展开。致灾体是引发灾害的元凶，明确致灾体类别、级别、时间、地点等关键初始要素，对于预测后续灾害情景具有重要参考作用。承灾体作为灾害损失的载体，是灾害情景构建的核心。众多学者根据不同承灾体基本灾害属性的差异，进行了承灾体基础数据库构建（李晋等，2017；巩前胜，2018；郄子君，2018）。抗灾体是影响灾害情景发展演化方向的重要因素，相关研究主要集中于应急救援队、志愿者等抗灾主体的应急救援能力评价及应急资源储备和调度策略等（冯海成等，2012；杨继君等，2016）。综合这些基础信息，同时运用卫星、航空等遥感图像（程希萌等，2016；李姜等，2021）、社交网络与媒体（王艳东等，2016；齐珉等，2020）、三维激光扫描（陈波等，2015）、移动终端（张文娟，2019）等多样化手段实时获取灾情信息，可为灾害情景构建提供可靠的数据支持。

任何突发事件情景均可由不同类别、不同组合形式的致灾体、承灾体和抗灾体表示。因此，情景表达是通过将收集到的数据信息转化为能够量化的科学语言，实现对这3个基本要素及其相互关系的描述，以便后续情景演化分析。情景表达常见的结构形式包括知识元模型（仲秋雁等，2012；武旭鹏等，2014）、petri网络模型（王循庆等，2014）、GERT网络模型（杨保华等，2012）、系统动力学模型（李勇建等，2015）、PSR模型（袁晓芳等，2011）、元胞自动机模型（杨青等，2012）、事件-承灾体二分网络模型（郄子君等，2020）等。

上述情景表达模型中，petri和GERT模型多侧重于展示情景要素之间的耦合关系；系统动力学和元胞自动机模型的研究对象是按照一定局部规则在离散时间维度上演化的单一事件，常用于仿真单个情景发生发展的过程，对于存在多类复杂次生衍生灾害的突发事件并不适用；PSR模型将任一复杂系统分割为压力、状态和响应，对情景的表达较模糊；事件-承灾体二分网络模型认为凡是可能受到不利影响产生一定损失的对象均可称之为承灾体，从而通过构建以承灾体为节点、承灾体之间的关联关系为边的网络模型描述区域灾害情景，这种思路虽在一定程度上简化了情景的表达模式，但由于不同类别突发事件对承灾体的认知存在差异，可能导致该方法的应用受限。与这些方法相比，知识元模型包括知识元名称、知识元属性的状态集、属性间的作用关系集，能够同时实现对知识状态及不同知识之间联系的描述，在表示离散性、关联性高的知识时具有较大优势（夏登友，2015）。该模型可根据实际情况随时修改情景要素及其属性，实现对情景“态”和“势”及两者之间有机关系的表达，因此成为应急管理领域各类突发事件情景表达的常用方法，能够为案例情景表示和情景推演及案例库的建立提供依据。其基本原理为：

设S为不同时刻情景S_i的集合，则有：

式中，Z表示致灾体要素，C表示承灾体要素，K表示抗灾体要素。

1.2   情景推演

突发事件发生后，其情景会随着时间的推移不断发展变化。情景推演是从当前时刻的情景出发，分析各情景的演化规律及演化路径，进而获取下一时刻情景状态的过程。通过情景推演能够预测突发事件的发展趋势及影响因素，从而提前做出相应的应对策略。由于情景演化的不确定性，一般采用概率表示下一时刻的情景状态。张磊等（2016）将模糊情景推演方法应用于泥石流灾害中，在给出情景要素属性取值范围的前提下，采用模糊理论获得下一时刻泥石流冲击建筑物情景的发生概率。王循庆等（2014）基于随机petri网络模型构建了马尔科夫链模型，用于表征群体性突发事件的情景演化，通过在petri网络变迁激发中引入模糊集，估计下一时刻情景的发生概率。上述2种方法涉及的模糊规则在表达情景内部各要素及各情景之间的关联时存在较大的不确定性。

动态贝叶斯网络基于贝叶斯理论，借助概率论理论进行不确定推理和数据分析，是突发灾害事故情景演变中的常用模型（袁晓芳等，2011）。贝叶斯网络由代表随机变量的节点和代表节点间相互关系的有向边构成，是目前不确定知识表达和推理领域最有效的模型之一。考虑突发事件情景演化是动态过程，以简单贝叶斯网络为基础，设置突发事件关键情景状态要素及其对应的应急模板、处置措施、外部环境等因素作为网络节点变量，并将这些具有因果关系且随时间推移变化的节点变量链接起来，形成能够表征情景演化过程的动态贝叶斯网络。该方案采用概率计算方法，同时结合历史资料信息、证据库和领域专家知识进行表示，具有信息随时间累计的功能，大大降低了推理过程中的不确定性，实现从不完全、不精确或不确定的信息及知识中做出相对准确的推理，成为目前突发事件情景推演的主要手段（夏登友，2015）。

整个突发事件在不同时刻（t₀，t₁，t₂，···，t_n）进行情景演化的动态贝叶斯网络如图1所示（巩前胜，2018），主要包括以下步骤：①选取情景中的关键要素作为节点变量，如图1中B₁、H₁、S₀等，并明确合理的取值类型及范围；②根据情景演化规律，利用有向边绘制各节点变量之间的相互关系图；③针对每个网络节点，分配发生概率。节点变量概率的设定是否合理直接决定了最终推演结果的准确性，一般通过专家打分或基于历史数据库计算获取，计算方法依据贝叶斯公式：

图 1  突发事件情景演化的动态贝叶斯网络

Figure 1.  Dynamic Bayesian network for the scenario evolution of emergent events

下载: 全尺寸图片 幻灯片

式中，P(B)表示参数B的先验概率；P(S_i)表示情景状态S_i的发生概率；似然函数$ P({S_{i}}|B) $表示B发生时S_i的条件概率，即为S_i的后验概率；$ P(B,{S_{i}}) $表示B和S_i事件共同发生的概率。

综上所述，情景分析不仅需要考虑基础的情景要素，也应充分阐述突发事件发展过程中引发的连锁并发危害的演化情景。

2.   基于情景的应急处置方法生成

通过情景分析，能够获取表征突发事件发生、发展全过程的事件情景序列。“情景-应对”型理论体系以该情景序列结构为基础，结合专家访谈、案例研究、资料调查等形式，针对每个关键情景制定相应的应对策略，从而形成一套完整的应急处置方案。在9·11恐怖袭击事件发生后，美国政府提出了包括生物、化学、自然、网络、恐怖袭击在内的15种情景，大致涵盖了人类社会可能遭遇的重大突发状况。针对这些情景，众多学者开发了基于云平台、物联网、GIS等的应急预案系统，并结合实际情况不断进行修正，从而积累了诸多典型案例（Gadomski等，2001；穆宣社，2015；陈迎欣等，2018；张媛等，2020）。因此，“情景-应对”型理论体系逐渐发展为借助于以往实际灾害事故的应急决策及处置经验进行信息重用，使决策过程更快速、精准（夏登友，2015；张英菊，2016；王浩林等，2018）。具体思路为运用一定的检索匹配算法寻找与当前事件情景相似的历史情景，从而得到经验性的应急知识，辅助制定实时应急决策。该方法的基本流程如图2所示（夏登友，2015），核心为检索出最相似案例，可通过分级检索法、知识引导法、最近相邻法、推理归纳法、模板检索法等实现。在诸多匹配策略中，分级检索法、知识引导法、推理归纳法等属于索引法的范畴，而最近相邻法为直接计算相似度的方法，较易实现和理解，因此成为基于案例的学习方法中最常用的匹配搜索算法（汤文宇，2007）。

图 2  突发事件应急决策方案生成基本流程

Figure 2.  Flow chart of generating emergency decision plan for emergency events

下载: 全尺寸图片 幻灯片

最近相邻法经过逐步改进，综合考虑情景要素的结构相似度和属性相似度得到当前情景与历史情景的全局相似度，能够用于各类突发事件的应急决策快速生成（夏登友，2015；张明红，2016；卢弋等，2021）。

首先计算情景要素属性权重，通常基于历史数据统计或专家打分获得检索情景集，假定该情景集包含m个情景，每个情景由n个特征要素组成，其知识元表达式为$ {S}_{j}=({X}_{j1},{X}_{j2},\cdots,{X}_{jn})，j=1,2,\cdots,m $，则每个情景要素的属性权重为：

式中，${W_{j}} = \dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^k {{Y_{ij}}}$,$ {Y_{ij}} $表示第i个情景中第j个要素$ {X_{ij}} $的标准属性值。

确定当前情景与历史情景的结构相似度：

式中，$ {S_{c}} $和$ {S_{j}} $分别表示当前情景和历史情景的要素属性集，$ {w_i} $表示情景要素交集中第i个属性的权重，nn表示情景要素交集中的属性个数，$ {w_k} $表示情景要素并集中第k个属性的权重，mm表示情景要素并集中属性的个数。

确定当前情景与历史情景的属性相似度：

式中，$ sim({X_{ij}},{F_{ij}}) \in [0,1] $，表示当前情景中第i个要素$ {X_{ij}} $与检索情景集中第j个情景的第i个要素的相似度，$ {w_i} $为第i个要素属性权重。

确定当前情景与历史情景的最终全局相似度：

利用式（7）将当前情景与检索情景集中的各情景逐一进行相似度计算，并按照高低进行排序，以提取适用于当前情景的最优应急处置方案。

3.   “情景-应对”型理论体系在地震应急中的应用初探

我国地震活动频度高、强度大、震源浅，21世纪以来，昆仑山西口M_S8.1地震、汶川M_S8.0地震、玉树M_S7.1地震、雅安M_S7.0地震等一系列大地震造成了数以万计的人员伤亡和千亿级的经济损失，及时、有效地应对地震灾害成为我国应急管理工作面临的极大挑战。传统的“预测-应对”模式受制于应急管理人员的主观局限性与地震灾害的复杂性、动态性等因素，易造成应急工作不全面、应急资源使用效率低等问题。而“情景-应对”型理论体系能够基于情景分析方法实现对地震事件发生及发展全过程快速有效的识别，得到与情景对应的应急决策方案，从而为震后高效行动及充分应对提供有效思路。

3.1   地震灾害情景

地震灾害情景构建需完备的基础数据作为支撑。承灾体作为灾害损失的载体，是灾害情景建模的核心要素。地震涉及的承灾体主要包括人、建筑物、生命线工程等，通过研究建筑物年代、高度、结构形式、脆弱特性，建筑物、生命线工程分布矩阵及人口暴露性分布模型等构建方法，能够为地震灾害情景构建提供可靠的数据支持（王建飞，2015；李晋等，2017；郄子君，2018）。

地震三要素为发震时间、震中和震级，大体决定了地震灾害影响范围及严重程度。目前我国已形成由国家台、区域台、地方台等固定台站及局部地区加密流动台阵组成的基础地震观测系统，可确保及时捕捉国内乃至全球发生的破坏性地震，并在震后很短时间内准确获取地震三要素，以此作为地震情景的初始要素。

历史上大量破坏性地震案例研究结果显示，震后灾害情景主要包括次生灾害、人员伤亡、服务中断、社会影响、经济损失、环境和长期健康影响等（王慧彦等，2016）。这些情景具有复杂的时空特性，互相耦合演化形成地震灾害链，如图3所示（王慧彦，2019）。地震灾害是以地震事件为起点的链式反应，短期内的直接影响包括人员伤亡、建筑物破坏、生命线系统服务中断等，经过时间积累后可能引起社会恐慌、疫情、传染病等。

图 3  地震灾害情景链

Figure 3.  Earthquake disaster scenario chains

下载: 全尺寸图片 幻灯片

人员伤亡和经济损失是诸多地震灾害情景的核心要素，其中经济损失主要指由地震造成的建筑物、工程结构设施、设备物品等破坏而产生的直接经济损失。建筑物破坏是导致人员伤亡和经济损失的直接原因，也是地震灾害区别于其他突发事件的最主要特征。地震情景分析主要围绕地震三要素展开，可通过遥感影像、三维激光扫描技术、图像分类算法等进行灾情信息收集和处理，以实现对震后建筑物破坏情景、人员伤亡和直接经济损失等灾害情景的快速评估（王建飞，2015；陈波等，2015；张莹等，2019；Li等，2020）。同时，研究人员综合考虑地震参数及建筑物破坏情景和人口密度等基础信息，利用事故树分析、统计回归、神经网络、贝叶斯模型等算法构建基于不同参数的人员伤亡和直接经济损失经验模型（于山等，2005；马亚杰等，2007；蔡友军等，2015；王建飞，2015；朱达邈，2017）。此外，大地震触发滑坡灾害直接造成的灾害占地震灾害的比例较大，近年来逐渐引起大量学者的关注，围绕地震滑坡数据库的构建及滑坡统计预测模型也开展了大量研究（Xu等，2012；许冲等，2018；Rodgers等，2020）。

地震灾害情景实质上是动态的，借助贝叶斯网络可对各灾害情景之间互相作用进行深入分析，从而预测地震灾害的发展态势。马祖军等（2012）构建了城市地震次生灾害演化系统的贝叶斯网络，并以国内外典型大地震中16个受灾城市的相关数据为样本，通过贝叶斯网络工具箱进行推理分析，发现在一定应急管理水平下地震引发的各主要次生灾害的发生概率，从而为城市防震救灾提供参考。朱达邈（2017）根据地震直接经济损失情景网络结构和184条历史震例样本数据，基于贝叶斯模型设定震中烈度、影响范围、建筑物破坏、生命线工程破坏等若干节点变量及其取值范围，分析计算得出由于这一灾害系统连锁反应而产生的直接经济损失。

3.2   地震应对处置

地震灾害链中各级情景的连锁反应受相应的应急响应状态影响，不同的应对方案可能导致演化出不同的灾害情景，因此地震“情景-应对”型理论体系的终极目标在于针对灾害情景逐步梳理应急任务、评估应急能力，给出一套完整的应急方案建议。我国目前关于这一问题的研究较少，仍处于探索阶段。

地震是孕育机理复杂、空间影响范围广、波及领域跨度大的突发灾害，极易引起应急管理系统内部之间、预案与现实之间的种种矛盾。王建飞等（2018）提出情景平衡模型理论，即在构建地震灾害情景对应的一般任务模型基础上，利用可拓理论对情景状态、任务目标、应急能力、决策方案之间的平衡状态进行评价，从而修正一般任务模型，输出地震应急方案。利用该方法针对北京平谷地区模拟地震情景自动生成了灾民安置方案，充分证明其适用于地震应急决策的多目标复杂问题求解，能够实现应急方案的快速拓展与优化，提升应急决策的灵活性。

王慧彦等（2019）重点研究了基于情景的巨灾应对协同方法，针对地震情景的复杂性特征，利用项目管理中的“工作分解结构”理论，将地震应对过程分解为极小的简单工作单元，从而建立地震应急工作分解结构，以生命线工程为例，给出其应急任务分解结构，如图4所示。

图 4  生命线应急任务分解结构

Figure 4.  Breakdown structure for the lifeline emergency task

下载: 全尺寸图片 幻灯片

从广义上来说，震前应急准备是基于情景的地震应对不可或缺的环节。王慧彦等（2016）提出构建基于情景的地震灾害防御体系，重点强调了以地震情景为主线的应急准备规划，包括脆弱建筑抗震加固、生命线保障计划、土地利用规划、应急资源储备、避难场所规划、应急指挥与演练、公众应急能力。苏桂武等（2020）以渭南地震情景构建示范为例，总结了主要地震灾害风险及隐患问题，提出加强地震宣教与培训、限制危险区土地开发、改善基础设施等多方面备灾措施。

3.3   案例分析

假设某城市发生地震，在获取地震三要素后，根据震级与烈度之间的理论关系可估算出此次地震的震中烈度及各烈度区面积，以此作为该地震事件的初始情景。情景推演模型一般选择动态贝叶斯网络，设定地震灾害情景链中的各要素作为节点变量，通过收集国内外积累了数十年的破坏性地震灾害资料，建立历史地震情景数据库，结合式（3）计算各节点条件概率。以马祖军等（2012）基于国内外典型大地震中16个受灾城市相关数据获取的推演结果为例（表1），可推演震后次生衍生灾害的发生发展趋势。此外，考虑地震灾害中的核心情景为经济损失和人员伤亡，除前文提及的直接估算方法外，表1中涉及的建筑物倒塌、生命线工程破坏及人员死亡情景变量也可作为地震灾害核心情景取值估计的依据。

表 1  部分情景条件概率取值

Table 1.  Condition probabilities of some scenarios

情景名称	取值	发生概率
建筑物倒塌	极少倒塌	0.350 8
	大半倒塌	0.223 4
	绝大多数倒塌	0.425 7
通信中断	没有中断	0
	中断	1
交通中断	没有中断	0
	中断	1
供水、供电、供气设施破坏	设施破坏但短时间能恢复	0.331 8
	瘫痪	0.668 2
危险品泄漏	没有泄漏	0.662 6
	泄漏	0.337 4
火灾	极少（10次以下）	0.786 1
	次数多/发生大规模火灾	0.213 9
人员死亡	在可接受死亡人数范围内	0.389 7
	大于可接受死亡人数	0.610 3
生活物资缺乏程度	不缺乏	0.129 7
	缺乏	0.870 3
社会大众恐慌程度	无	0
	恐慌严重	1
社会公共安全事件严重程度	无	0.456 0
	哄抢、抢劫等	0.544 0
疫情种类	无疫情或传染性小	0.576 5
	死亡率高的传染性疾病	0.423 5

下载: 导出CSV 

| 显示表格

事实上，震后应急体制的完善程度与政府应急能力等因素会对灾害情景演变产生较大影响，但在表1中未得到体现，这也是“情景-应对”型理论体系应用的关键。曹海峰（2018）针对2008年汶川大地震，从人力物力资源、组织体系与指挥协调、监测预警与响应机制、处置救援、恢复重建、培训演练等多方面讨论了基于情景构建视角的地震应急预案。将其按照王建飞等（2018）和王慧彦等（2019）的方法进行不同情景的分解对应后加入表1的贝叶斯网络中，作为各情景节点的子节点，构成一套完整的“情景-应对”型理论体系模型。子节点取值可依据历史地震情景数据库的统计或专家打分等方式，可通过关键情景（初始情景和核心情景）的匹配快速生成新发生地震的“情景-应对”方案。

4.   讨论与展望

“情景-应对”型理论体系充分考虑突发灾害的“情景依赖”特性，通过分析事件的静态及动态情景实现对整个灾害发生及发展全过程的快速识别，获得与情景对应的应急决策方案，从而为灾后高效行动及充分应对提供有效思路。该方法作为重大突发事件应急的基本范式，在地震应急管理中得到了初步应用，但仍存在需进一步关注的问题。

（1）情景分析在洪涝灾害、火灾爆炸、民航事故等领域中应用较广泛，这些灾害多属于生产事故或空间影响范围较小的单一灾种，而地震灾害影响范围广、次生灾害复杂多样，在情景构建方面仍处于从理论方法向实际应用转化的关键时期，许多难点问题有待解决。震后实地灾害调查是获取建筑物破坏、人员伤亡、直接经济损失等核心情景信息的主要手段之一，但由于耗时较长导致难以满足震后灾害快速评估的需求。因此，地震发生之初多基于地震三要素构建定量化经验模型进行情景分析，导致其准确性强烈依赖于历史地震数据样本数量和地震参数选取合理性，随着历史地震样本数据和地震动观测数据的积累，如何借助更多参数（如峰值加速度场等）对结果进行约束尚需开展大量研究。此外，关于震后次生灾害、社会影响等情景的构建尚处于初步探索阶段，缺少行之有效的方法。

（2）在情景推演涉及的情景链中，各变量的取值范围及条件概率大部分情况下来自于历史地震数据的统计分析，然而目前的研究多基于部分历史地震，样本数据并不充足，导致结果的准确度受到严重影响。因此，完整历史地震数据的收集整理是保障“情景-应对”型理论体系应用的先决条件，这应是未来开展“情景-应对”研究时重点关注的因素。

（3）“情景-应对”的本质是通过建立地震灾害情景与应对策略的关联，以生成与情景对应的应急方案。我国目前的地震应急管理工作主要侧重于对灾害情景或应对方案的单一表达，而未形成描述二者之间对应关系的标准模型，导致地震应急从根本上与灾害情景相割裂，难以利用案例匹配技术等实现应急处置方案的快速提取，使得在地震灾害连锁演化情景构建过程中，多层次、多部门、多领域的巨灾协同机制仍面临较大的挑战。

致谢 感谢审稿专家对本文提出的宝贵意见和建议。