■ 郭琳 李英 王瑜瑜 陳歡 余發(fā)有 楊憲華

1.商洛學院電子信息與電氣工程學院 商洛 726000

2.商洛學院保衛(wèi)處 商洛 726000

0 引言

高校公共安全保障同時具有師生人身安全、設備資產(chǎn)安全和資源合理利用等方面的重要意義，是高?？茖W管理的研究熱點。通常，一所高校公共資源的安全檢驗范疇，主要分為教學樓與實驗室安全、體育設施安全、宿舍食堂消防、食品衛(wèi)生、安全文化建設及機構設計與制度建設等方面[1-2]。由于高校存在人口密集、活動形式多樣、資源復雜和非封閉性等特點，不僅需要成熟的管理模式，還要考慮以學生為本、安全投入和資源節(jié)約等因素[3]，而傳統(tǒng)安全評估采用調研法、問卷調查法、歷史資料回顧和案例研究法等[4]，用安全檢查量表給評價指標打分，然后求和計算出安全評估值。

隨著人工智能技術的發(fā)展，研究者開始關注投入低、效率高的安全評價技術。2016年重慶科技學院鄭亞清等人[5]提出前饋神經(jīng)網(wǎng)絡預測模型，分析了消防設施安全管理過程中諸多因素對高校消防安全的影響。2018年福州大學彭桂平等人[6]提出層次分析法和模糊綜合分析法，從管理制度、組織、設施、宣傳教育和維穩(wěn)建設等維度構造安全管理評價體系，對績效評價過程和結果做了實例驗證；2019年華南理工大學黃鄧楷等人[7]利用問卷平臺對校園交通和人身財產(chǎn)事故等方面的環(huán)境安全感進行統(tǒng)計評價，提出用環(huán)境設計預防犯罪理論分析學生安全感；2019年南陽醫(yī)學高等?？茖W校侯艷麗[8]運用多階段分層整群隨機抽樣方法，調查大學生自我安全防范意識需求，梳理提升措施并實施干預；2020年西安建筑科技大學何立等人[9]利用層次分析法對誘發(fā)體育設施事故的危險源進行調查、識別和評價；2020年山東科技大學吳立榮等人[10]提出用模糊綜合評價法從安全制度、人為因素、儀器設備與化學品、應急管理等方面建立安全評價指標體系，確定高校實驗室安全等級。

諸如以上研究是通過構造安全管理評價指標體系和評價模型，分類別對高校公共資源運行情況進行檢驗和評價。但是固定變量指標及定性評價，無法適應高校公共安全的動態(tài)行為，同時會產(chǎn)生人為誤差，容易使評價過程和結果流于形式。為了研究一種全面型、主動性干預方法，發(fā)揮快速干預優(yōu)勢，主動解決高校公共資源動態(tài)安全問題，本文在教育部高校思想政治工作創(chuàng)新發(fā)展中心專項的支持下，得到了項目實施的階段性成果，提出了一種機器學習模型，完成安全變量的表征，再通過規(guī)則構造評價權重集，最后反復訓練得到分類與評價結果。

1 安全評價指標體系的建立

1.1 高校公共資源的類型

高校公共資源具有公共服務特性，供全校師生共同使用，也適當對外開放，是高校教學、科研、人才培養(yǎng)和服務社會的重要物質條件，是高校賴以生存和持續(xù)發(fā)展的物質基礎[11]。高校公共資源從功能上劃分，通常包括多媒體教室、實驗室、機房、體育場所、辦公室、圖書館、食堂、生活超市、浴室、醫(yī)務室和實習基地等基本資源區(qū)，還包括校園道路、花園、活動室、校門、快遞點和學校臨時服務點等輔助資源區(qū)。

1.2 安全分析方法

在使用高校公共資源的過程中，由于人為因素、物品因素、環(huán)境因素或管理因素引發(fā)人員傷害、財產(chǎn)損失或環(huán)境污染等安全事故。其中人和物的不安全狀態(tài)是直接原因，環(huán)境和管理的不安全狀態(tài)是間接原因，從而由安全隱患升級到安全事故。安全事故具有隨機性、突變型、危害性和因果相關性，需要從安全事故發(fā)生的時間、地點、種類和規(guī)模上查找規(guī)律和原因，加強安全投入和積極預防，才能降低安全事故發(fā)生率。目前已有的安全分析方法很多，例如事故樹分析法（FTA）、事件樹分析法（ETA）、故障類型影響分析法（FMEA）、危險和可操作性研判（HAZOP）和安全檢查表（SCL）等[12]，基于安全角度對高校資源中的危險因素進行分析，繼而提出改進措施。本文提出以人為核心，人、物、環(huán)境和管理四維并重的安全分析方法，揭示事故現(xiàn)象和高校公共資源安全利用的關系，羅列總結安全影響因素，為建立高校公共資源安全評價體系奠定基礎。

1.3 評價指標體系

高校公共資源安全評價體系既要考慮高校公共資源安全性，還要考慮學校規(guī)模和資源利用率，兼顧安全使用標準和投入產(chǎn)出價值。本文以地方本科高校為例，通過對校園公共資源調研和安全因素分析，聽取了專家、管理人員的意見，參考相關調查和研究資料，設計了高校公共資源安全評價指標體系，如表1所示，其評價指標包括基本資源、交通與消防環(huán)境、安全教育和安全管理4 類一級指標，以及它們所屬的20 個二級指標。通過分析安全影響因素，二級指標中的基本資源包括餐飲環(huán)境、住宿環(huán)境、學習辦公、醫(yī)療衛(wèi)生防疫和體育鍛煉等方面；交通與消防環(huán)境包括道路與環(huán)境、機動車管理、行人管理、校門管理、巡視和電子監(jiān)控等方面；安全教育包括安全培訓、心理輔導和安全文化建設等方面；安全管理包括機構與制度、保安配備、安全信息員、檢查登記和應急預案等方面。評價指標的全面性，會直接影響到安全評價的準確性，但是因素過多會掩蓋關鍵因素，同時增加評價體系的復雜性。提出的安全評價二級指標，可根據(jù)需要分解為三級指標，使用類似方法進行更詳細的安全評判。

表1 高校公共資源安全評價指標體系

1.4 評價流程

高校公共資源安全評價中，安全變量包括人、物、環(huán)境和管理，物和環(huán)境是物質基礎，人是核心，管理是重要保障。物和環(huán)境是相對靜止的，通過檢查容易發(fā)現(xiàn)安全隱患，而人和管理是相對運動的，很難通過人為表象和數(shù)據(jù)表格發(fā)現(xiàn)安全問題。所以，需要一個科學的評判標準和靈活的應用模型，在上述高校公共資源安全評價指標體系的基礎上，對公共資源使用過程中固有或潛在的安全變量進行分類評價。評價流程如圖1所示，先通過學校、院系和職能部門采集安全檢查量化數(shù)據(jù)表；然后對照安全評價指標內涵和專家意見，得到安全變量的原始權重賦值，通過評價指標體系獲得安全變量的編碼和特征度；再把安全變量樣本輸入到隨機森林算法中進行分類，得到安全變量分類結果和評價錯誤率；然后由層次分析-灰色關聯(lián)算法得到安全評價結果。

圖1 評價流程圖

2 公共資源安全評價模型

2.1 評價算法

隨機森林算法包含多個決策樹的隨機分類器，準確度高、處理能力強，適合于分類和變數(shù)評估等問題[13-14]。常用的有原始森林算法，改進的隨機抽樣森林算法（Random-RF）。如圖2所示的隨機森林算法示意圖，引入了決策樹結構，從根節(jié)點開始將安全變量樣本根據(jù)特征進行抽樣分類，每個類別決策樹得到一個訓練集，重復隨機抽取n次的N個樣本數(shù)據(jù)。

圖2 隨機森林算法示意圖

決策樹數(shù)量根據(jù)所選取的變量數(shù)目及組合確定，隨后在生長過程中以指數(shù)最小原則選出符合評價指標體系中若干特征變量的最優(yōu)集合，通過構建的N 個決策樹形成隨機森林。隨機森林法將公共資源安全評價的半定性、半定量問題轉化為定量問題，將安全評價樣本集輸入到隨機森林，經(jīng)過模型分類訓練后，得到投票數(shù)結果作為分類結果和安全變量權重值。

層次分析法和灰色關聯(lián)度算法[15]，都屬于無監(jiān)督學習算法。層次分析法是根據(jù)同級影響因子間的相對重要性估分，計算得到因子權重，強調了打分過程的主觀性，而灰色關聯(lián)度算法是根據(jù)序列幾何形狀的相似性來確定序列重要關系，強調行為結果的客觀性，所以兼顧二者優(yōu)點構建了層次分析-灰色關聯(lián)混合算法（AHPGRA）。通過層次分析法計算出所有指標的基礎權重xi，然后構建評價指標重要性判斷矩陣V，確定比較集列和最優(yōu)指標集，再對指標進行離散性的規(guī)范量化，然后通過公式(1)計算安全評價指標的關聯(lián)系數(shù)，經(jīng)過加權求和得到安全變量的加權關聯(lián)度。(1)式中δ為評價分辨系數(shù)，本文取0.4；δj為評價質量關聯(lián)系數(shù).通過公式(2)得到灰色關聯(lián)系數(shù)矩陣R，再結合前面的權重矩陣V，由公式(3)計算得到灰色關聯(lián)度值Sj，T為安全變量特征。

2.2 評價模型

通過融合隨機森林算法和層次分析-灰色關聯(lián)算法，建立用于高校公共資源安全評價的隨機森林-灰色關聯(lián)模型（GRA-RF），模型結構如圖3所示，由隨機森林算法得到安全變量分類結果和分類錯誤率，再由灰色關聯(lián)算法得到高校公共資源安全度的評價值。安全檢查量表作為訓練樣本，通過評價指標體系預處理后，得到的變量特征數(shù)據(jù)T1 至T20，再通過引導軟件程序（Bootstrap）從對應訓練集中抽取N 個樣本構成N 個決策樹，不剪枝完全自然生長得到隨機森林分類器，通過多數(shù)投票表決得到分類結果和分類錯誤率；最后將測試樣本輸入到層次分析-灰色關聯(lián)模塊中，經(jīng)過分層加權關聯(lián)度計算，得到安全變量分類評價值。根據(jù)灰色關聯(lián)度值對高校公共資源安全度進行分級評價，當評價樣本的安全度為0.9～1 時，認為安全水平優(yōu)秀，為0.8～0.9 時認為優(yōu)良，為0.7～0.8 時認為一般，為0.6～0.7 時認為及格，為0～0.6時認為不及格。

圖3 隨機森林--灰色關聯(lián)評價模型結構

3 實例分析

選取陜西省4 所相似規(guī)模的地方本科高校，作為GRA-RF 模型的訓練樣本A1～A4。通過調查和采集了樣本的公共資源安全數(shù)據(jù)，如近三年學校師生規(guī)模、安全機構設置、安全制度、電子監(jiān)控與巡視覆蓋比、專職保安占比、校門和樓宇管理、食堂宿舍與教室消防達標水平、安全標識設計、車道與人行道劃分、安全教育和宣傳力度、應急預案設計、事故發(fā)生類型和次數(shù)等，填寫安全檢查量表，對照安全評價指標內涵，對安全變量進行編碼和權重賦值。

然后利用圖3所示的隨機森林決策器，進行學習訓練。通過引導軟件從表1中的4個一級特征和20個二級特征中抽取N 個變量特征，帶入GRA-RF 模型中得到N個變量分類結果。如圖4所示安全變量的權重值，其中最重要的安全變量是醫(yī)療衛(wèi)生防疫（0.085），第二層次是消防措施（0.078）和餐飲環(huán)境（0.072），第三層次是住宿環(huán)境（0.068）、巡視與處理（0.065）和學習辦公（0.061），第四層次是校門管理（0.058）、機構與制度（0.055）和機動車管理（0.053），第五層次是檢查記錄（0.048）、安全文化建設（0.045）、道路與環(huán)境（0.043）和應急預案（0.042），之后的安全變量權重均小于0.4，說明以上變量是影響校園安全水平的重要指標；最后層次是安全信息員（0.028）和行人管理（0.022），此類變量在安全評價體系中的影響最小。

圖4 隨機森變量分類結果

GRA-RF 模型評價之初與層次分析法相似，需要根據(jù)安全檢查量對樣本的安全變量進行人工權重賦值，之后再對安全變量進行編碼、組合和優(yōu)化，對眾多變量特征進行融合和機器訓練，找到最佳安全變量組合。在模型計算過程中，隨機森林樹節(jié)點變量數(shù)目和決策樹數(shù)目非常關鍵，決定了評價模型的分類水平。對于高校公共資源不同測試樣本，或者不同的決策樹初始抽樣值，機器訓練的錯誤率均值不同，選擇錯誤率均值最低時的變量及數(shù)目作為最佳安全變量集，當錯誤率趨于穩(wěn)定時決策樹數(shù)目設定不變，機器訓練過程結束。所以，通常使用分類錯誤率結果決定模型訓練周期。GRA-RF模型的分類錯誤率如圖5所示，隨著決策樹數(shù)目增加，分類錯誤率明顯下降，并且當決策樹數(shù)目從20 增長到500 附近時，分類錯誤率趨于穩(wěn)定不變，確認500為本次的最優(yōu)分類決策樹數(shù)量，此時樣本A1～A4的分類錯誤率分別為14.2%、16.3%、15.6%和13.5%。

圖5 隨機森林-灰色關聯(lián)模型分類錯誤率

選取陜西省某市地方高校B1為測試樣本，通過GRA-RF 模型進行機器測試評價，分類決策樹數(shù)量設定為500。該校設有專職機構保衛(wèi)處，有治安科、政?？坪托Ｐl(wèi)隊等，以及由大學生組成的校衛(wèi)隊協(xié)會，有門衛(wèi)制度、值班巡邏制度、科室管理制度、校園交通安全管理規(guī)定等；設有校醫(yī)療保健機構、心理健康咨詢中心、院系心理輔導站、班級心理委員；設有資產(chǎn)管理處，有設備管理科、校產(chǎn)管理科等；設有后勤保障處，有水電管理科、公寓管理科、校園管理中心、餐飲服務中心等。自建校40多年來沒有發(fā)生一起重、特大安全事故。測試樣本通過層次分析-灰色關聯(lián)模塊進行分級評價，得到20*M 個灰色關聯(lián)度，再分級評價得到離散化數(shù)據(jù)文本，再計算得樣本安全評價等級。測試樣本B1經(jīng)過模型機器學習，公共資源安全評價值為0.813，安全水平達到優(yōu)良，而單獨用層次分析法得到的評價值為0.725。GRA-RF 模型評價值高于層次分析法，相對誤差為+12.1%，評價結果可信度更高。

4 結論

本文在人工智能技術背景下，采用了機器學習技術手段，建立了隨機森林-灰色關聯(lián)安全評價模型和安全變量分類評價指標體系，為高校公共資源安全評價和資源科學利用奠定了基礎，為高校平安校園建設、公共資源管理和政府投資決策提供依據(jù)。具體研究結論如下：

（1）高校公共資源安全變量分類排名結果前10的依次是醫(yī)療衛(wèi)生防疫、消防措施、餐飲環(huán)境、住宿環(huán)境、巡視與處理、學習辦公、校門管理、機構與制度、機動車管理和檢查記錄，處于最后層次的是安全信息員和行人管理。

（2）當新建模型的決策樹數(shù)目增長到500時，安全變量分類錯誤率趨于穩(wěn)定不變，此時采集的高校訓練樣本的分類結果達到最優(yōu)。如果分類錯誤率超過允許范圍，可通過添加樣本的基礎數(shù)據(jù)，或改變評價指標體系中安全變量的基礎權重，然后重新進行機器訓練評價。

（3）相較于以前的研究成果，基礎數(shù)據(jù)缺失、人為主觀臆斷等問題對研究分析過程的影響縮小了，所以本文新建的GRA-RF模型的評價結果可信度更高。

然而，在建設平安校園和節(jié)約型校園過程中，還涉及到政治、社會與經(jīng)濟環(huán)境的差異化問題，各高校在應用模型評價時存在一定難度，研究工作還需要調整和優(yōu)化，建議如下：

（1）把政治、社會與經(jīng)濟環(huán)境條件納入評價指標體系。

（2）利用大數(shù)據(jù)平臺及時采集評價對象的大量歷史數(shù)據(jù)，避免人為因素的偏差。

（3）繼續(xù)細化定性指標的權重量表，縮小分類錯誤率。

總之，高校公共資源安全變量的智能識別和資源優(yōu)化管理，是高校深入踐行科學發(fā)展觀的重要內容，是建設平安校園和節(jié)約型校園的重要抓手，弘揚“浪費可恥、節(jié)約為榮”優(yōu)良傳統(tǒng)，打造“艱苦奮斗、以人為本”的校園新風尚。本文的研究成果亦可以擴大服務對象范圍，為國家行政部門、企事業(yè)單位等大型組織機構，提供相似的研究技術，主動干預評價公共安全，科學投入與利用資源。