2019年下半年围绕“中华人民共和国成立70周年”主题，全国各地博物馆策划推出的一系列国庆展览将“博物馆热”推向了高潮。以北京为例，可以看到来自湖北的曾侯乙尊盘、新疆的小河公主、陕西的跪射俑、良渚的玉琮王等等，很多展品都是未曾离开过原馆的“镇馆之宝”。2019年的国内馆藏文物是“忙碌”的，但这种“忙碌”将会继续。据最新统计数据显示，截止到2019年全国登记注册的博物馆已达5354家，2019年全年的展览数更是高达2.6万个，接待观众11.26亿人次。2019年4月的全球博物馆馆长论坛上，中国国家博物馆馆长王春法在其主旨发言中更是强调：“博物馆正在从藏品中心向展览为王时代转变，策展能力是博物馆的核心竞争力。”

伴随着“展览为王时代”的开启，以展览为主导的文物保护工作新时代也随之来临。文物的出展频次和周期增加、出展地点增多（国内和国际）、地区间环境差异大等因素，使文物安全和风险也面临前所未有的挑战。为了降低文物风险、保障文物安全，对文物风险的认知和管理显得尤为必要。

2019年起，中国国家博物馆开始对所有出展馆藏文物进行文物安全评估工作，为文物的安全出展保驾护航。在工作中我们逐步发现，主观评估无法为出展文物风险提供科学依据，建立科学、智能化的文物风险管理体系，将主观评估的数据加以利用，才是文物风险评估的科学途径。

风险，指因不可抗力或其他因素导致的各种意外事故。而风险管理可理解为：刻意采取相应措施降低不明朗因素带来的损失。风险管理概念自20世纪50年代被美国宾夕法尼亚大学沃顿商学院的施耐德教授首次提出后，便广泛应用各个领域，在此过程中风险管理理论也不断发展完善。1994 年，加拿大国家自然博物馆（CMN）的Robert Waller 在文博领域引入风险管理理论，并结合博物馆预防性保护的实践经验和需要，提出了首个适用于博物馆领域的风险管理模型。该风险管理模型在后续的实践和研究过程中不断演进和完善，最终被命名为CPRAM模型。该模型被应用于加拿大自然博物馆、美国丹佛自然科学博物馆、澳大利亚维多利亚博物馆、加拿大皇家不列颠哥伦比亚博物馆等博物馆藏品的风险评估。此外，Stefan Michalski的藏品风险等级量化方法，即ABC方法，也被ICCROM在全球范围内进行推广。上述这两种方法都符合ISO 31000（风险管理原则和指南）的框架，并系统地使用10种恶化因素来识别风险：物理力、火灾、水、盗窃和破坏者、害虫、污染物、光和辐射（UV/IR）、不当的相对湿度、不当的温度和分离。他们与Jonathan Ashley Smith的开创性工作一起，为基于风险的保护决策和基于风险的预防性保护指导方针奠定了基础。

相比于国外学者在文化遗产风险管理方面的相关研究，我国文物保护领域的整体风险管理意识还有待提升。虽然近十几年来我国文博行业对于文物保藏环境方面的研究成果十分显著，但这仅是文物风险管理体系中的一部分基础数据，需对其分析处理后，妥善安置在风险管理系统中，以期最大限度地发挥其作用。

从文物分类来讲，国内对于遗址类文化遗产，即不可移动类文物的风险管理力度，明显大于可移动文物。博物馆内不可移动文物的风险管理意识仍处在萌芽期，文物的展览、研究与文物保护并未形成良好的反馈机制，缺乏符合我国国情的、可实际应用的风险管理理论方法。

根据IOS31000风险管理原则和指南所述，风险管理是一个组织针对风险所采取的指挥和控制的协调活动，主要包括风险识别、风险分析、风险评价、提出风险应对策略及效果评价等步骤。

鉴于此，风险识别是风险评估中的第一步，是指通过识别风险源、影响范围、事件及其原因和潜在的后果等，生成一个全面的风险列表，需要专业人员的正确判断和经验积累。风险识别在日常展览过程中，预防性保护涉及的风险源主要是CPRAM体系中的三类风险源，即缓慢的、持续的风险。这部分风险较前两种风险相比（一类风险：罕见的、灾难性的风险，二类风险：偶尔的、严重的风险和缓慢的），更需要文物保护工作者及博物馆相关人员的重视和积累。而这些风险源会与文物本体的一些结构特点或是既有病害发生反应，从而造成“不被期望的后果”，也就是风险的形成。以馆藏金属文物为例，金属文物一向是展览中的“明星”藏品，其中以金银器、青铜器、铁器为代表，不仅种类繁多，且造型独特，工艺精湛，具有极高的历史和艺术价值。比如：三类风险源中不当的相对湿度会使得金属文物上的既有病害，如点腐蚀、含氯腐蚀物、微生物损害、可溶盐腐蚀产物和层状堆积等病害向劣化方向发展。而三类风险源中的物理外力风险，则会对原本结构不稳定和存在断裂、裂隙、矿化、变形、层状堆积等情况的文物造成一定影响。这些广泛存在于展陈过程中的风险源，对于文物既有病害的影响，应该被业界广泛关注，并形成深入讨论，在各个文博单位的实际工作中积累更多的情景数据。

风险是多种多样的，具有综合性、关联性、变化性等特点，对于风险源监测和监测数据处理，人工智能可以帮助我们更好地解决问题。如果将机器学习系统引入藏品风险管理系统中，那么 “数据”“算法”和“模型”将是本系统中的三大基本要素。它们之间的关系是：“算法”通过在“数据”上进行运算产生“模型”，最后输出结果。而这个过程恰巧与风险的决策过程极为相似，那么当我们将其套用至文物展览风险管理的过程中时就会发现：展览风险的评估结果是“数据”的提供方，而风险识别和分析都是基于某种认识和逻辑提出的“算法”，最终“算法”通过在“数据”上进行运算产生“模型”，得出最后的风险管理的结果并提出应对策略，以达到风险控制的最终目标。在此过程中，如果没有大量原始数据的输入就如同“巧妇难为无米之炊”，而展览风险评估工作的大量输入，恰好解决了这个问题。

文物的展览风险管理是一种兼顾“利用”和“保护”的平衡之术，将原本模糊的界限和平衡点科学化、可视化。想要实现这一目标，需要大量展览风险元数据的提供，在“展览为王”时代，大量出展文物的频繁展出，或许正是大量数据的持续来源。可以源源不断地为风险管理系统进行数据的输入，从而让系统正向、健康、有反馈地成长起来，更好地为展览服务。

当然，在前期评估数据的生产过程中，仍会存在一些问题。首先，需要针对特定文物材质与风险源的相互作用，对其内在逻辑和大量前期相关基础研究进行总结；其次，在数据的输入过程中，需要提供更多有效信息，避免繁杂冗长的无效信息；最后，需要多领域专家合作，最终才能将风险管理系统科学完整地搭建并使其有效运转，使文物更健康的“活”起来！

编辑：韩旭川

审核：冯朝晖