鞠春雷，鄧慧敏，張永杰，吳 悠，張江石，郭金山

（1 北京天地華泰礦業(yè)管理股份有限公司，北京 100013；2 中國礦業(yè)大學（北京）應急管理與安全工程學院，北京 100083）

安全科學是事故預防的科學，“瑞士奶酪”模型（Swiss Cheese Model, SCM）等事故致因理論是發(fā)現(xiàn)事故原因、有效預防事故的工具[1]。利用SCM 模型等事故致因理論，可以減少人的不安全動作，有效的預防事故的發(fā)生[2]；對不安全動作進行科學分類有助于發(fā)現(xiàn)原因，實現(xiàn)精準預防[3]。孫世梅[4]等通過違章分類分析得出21 類190 個不安全動作、4 類10 個不安全物態(tài)，發(fā)生頻率前3 位順次為不具備作業(yè)資格、安全培訓教育不到位、安全監(jiān)管不到位；付凈[5]等基于FTA 等構建不安全動作識別及作用分析模型，得出在違章中違章操作占違章動作總數(shù)54.6%；薛宇敬陽[6]等統(tǒng)計了1997—2010 年我國共發(fā)生的38 起通用航空飛行事故，得出不安全動作原因可歸為4 類，其中違章操作是發(fā)生頻數(shù)最高的原因類型；李敬強[7]等提出采用k-means 聚類方法對比分析管制員與管制學生的差異，并明確相關特征?；趦让晒?、寧夏、新疆地區(qū)的6 個煤礦2017—2018 年度的“三違”行為數(shù)據(jù)進行統(tǒng)計分析，應用SCM 模型進行歸類整理，對違章、錯誤、過失、疏忽4 種類別的不安全動作進行統(tǒng)計分析，并采用k-means 聚類對數(shù)據(jù)進行分類與人工分類進行對比探討，給出相應安全建議。

1 不安全動作統(tǒng)計分析及分類特征

1.1 SCM 模型

“瑞士奶酪”模型將導致系統(tǒng)故障的各種人為錯誤因素分為4 個級別[8]：最高級別的人為因素是不可靠決策，其次是直線管理層缺陷和不安全動作的心理前兆，最低級別為不安全動作。SCM 模型前3個層級只是簡單介紹了其包含的內容，只有在最低層級即不安全動作這一層級，進行了詳細的分類。在該模型中，違章[9]與錯誤被歸為有意動作，過失和疏忽被歸為無意動作。Reason 將技能型疏忽、過失、規(guī)則型錯誤和知識型錯誤定義為3 種基本失誤類型。故不安全動作不僅可以分為人誤和違章，還可分為有意、無意動作。

1.2 實地調研情況

實地調研主要在6 個煤礦中開展。經(jīng)調研，2017—2018 年在6 個煤礦搜集到共計1 996 名“三違”人員的基本信息和16 208 起“三違”行為，將“三違”記錄中的無效數(shù)據(jù)剔除，最后保留15 416 起“三違”行為數(shù)據(jù)，數(shù)據(jù)有效率為95.11%。

1.3 不安全動作分類特征

基于統(tǒng)計的6 個煤礦的“三違”行為數(shù)據(jù)，從時間、工種及SCM 行為產(chǎn)生特點3 個方面對全部“三違”行為進行細化分類，得到不同維度分析結果，不同月份和不同區(qū)隊及不同產(chǎn)生原因“三違”行為數(shù)量分布如圖1。

圖1 不同月份和不同區(qū)隊及不同產(chǎn)生原因“三違”行為數(shù)量分布Fig.1 Quantity distribution of“three violations”in different months, different district teams and causes

從“三違”時間維度來看，五月至八月和歲末年初受節(jié)假日影響，員工心理發(fā)生了波動“三違”行為遞增態(tài)勢較為明顯，呈現(xiàn)波峰現(xiàn)象；從“三違”區(qū)隊維度來看，產(chǎn)生“三違”行為發(fā)生率由高到低為：綜掘8.05%、綜采7.91%、機運7.76%、通風7.14%、車隊7.13%、提升6.57%；基于SCM 的4 種不安全動作分類排序來看：違章占比46.88%、疏忽占比40.63%、錯誤占比4.91%、過失占比7.58%，即基本錯誤類型占“三違”行為的53.12%，基于統(tǒng)計結果可以看出，礦工產(chǎn)生不安全動作的主導因素是內部自身的原因，其次是外部影響因素。

2 K-means 聚類分析

2.1 K-means 聚類原理

對于給定的一個包含n 個多維數(shù)據(jù)點的數(shù)據(jù)集X=｛x1，x2，…，xn｝，其中xi屬于全體實數(shù)集。K 為最終將要生成的數(shù)據(jù)子集的數(shù)量，此聚類算法將數(shù)據(jù)對象劃分為k 個簇C＝｛ck，i＝1，2，…，k｝。每個簇代表1 類ck，每1 類ck有1 個聚類中心μi。此聚類算法將歐式距離作為相似性與距離判斷標準，通過計算該類中各點到聚類中心μk的距離平方和，確定具體聚類結果。K-means 聚類分析是一個反復迭代的程，根據(jù)最小二乘法和拉格朗日原理算出的各類別ck內各數(shù)據(jù)點的平均值即聚類中心μk[10]。聚類目的是為了使聚類域中的樣本到聚類中心距離的平方和J（C）最小。

2.2 K-means 實例運算

為了進一步挖掘不安全動作數(shù)據(jù)特點，驗證并擴展上述礦工不安全動作分類結果，將大樣本數(shù)據(jù)集中處理，從“三違”調研數(shù)據(jù)中選取多次發(fā)生或風險隱患較大的不安全動作數(shù)據(jù)進行聚類分析，共篩選出148 例具有代表性的“三違”行為數(shù)據(jù)集合。

利用Matlab 進行聚類分析，建立指標8 個，各指標名稱及含義見表1。對得到的結果進行分析。假設k=4，初始聚類中心選取結果見表2；根據(jù)聚類分析步驟進行迭代計算，迭代次數(shù)為13 次，當各聚類中心變化趨近于0，迭代過程結束，最終聚類中心結果見表3。通過采用PCA 降維聚類散點分析了導致“三違”行為產(chǎn)生的4 類原因，聚類效果明顯。

表1 各指標名稱及含義Table 1 Name and meaning of each index

表2 初始聚類中心Table 2 Initial cluster centres

表3 最終聚類中心Table 3 Final cluster centres

基于組別分類指標進行單因素方差分析，方差分析結果見表4。根據(jù)F 值得到各指標對聚類的貢獻，按照重要度排序為X>O>Y>C>Z>Q>S>G，各指標對聚類均具有貢獻。結合SCM 模型、指標的建立及聚類后的各類別的數(shù)量對4 類不安全動作排序為：違章>疏忽>過失>錯誤，與人工分類結論相同。

表4 方差分析結果Table 4 Results of variance analysis

3 控制對策及預防方法

從內部和外部原因分析礦工不安全動作的產(chǎn)生可知：①礦工自身能力不足，無意識或存在缺陷引起的不良效應，進而導致不安全動作的產(chǎn)生，表現(xiàn)為疏忽和過失；②組織機構存在的決策性失誤、規(guī)則不完善等直接或間接干擾了礦工安全動作，導致的礦工行為偏離而產(chǎn)生的不安全動作，表現(xiàn)為錯誤；③干擾失效，即監(jiān)督檢查不到位讓本可以預防的不安全動作發(fā)生，表現(xiàn)為違章或“三違”行為。

經(jīng)過上述研究，建議托管運營煤礦從員工的知識、意識與習慣3 個角度實施不安全動作預防控制措施：①在正常的安全培訓基礎上，強化身邊典型事故案例分析教育，增強符合本礦條件下的危險源辨識和及時處理能力；②操作程序規(guī)范化、標準化，使員工養(yǎng)成良好的操作行為習慣，提高操作技能水平；③強化巡檢監(jiān)督，減少不安全動作的發(fā)生率；④合理安排工作任務量，切實降低工人勞動強度，有效防止導致安全事故的不安全動作的出現(xiàn)。

4 結 語

1）以國內3 個不同區(qū)域6 個托管運營煤礦的“三違”數(shù)據(jù)為來源，基于SCM 模型的不安全動作分類方法進行歸類分析，找到了違章、錯誤、過失、疏忽4種類別中主要導致不安全動作發(fā)生的致因因素。

2）將2017、2018 年“三違”行為數(shù)量做逐月對比，發(fā)現(xiàn)五月至八月和歲末年初受節(jié)假日影響，員工的“三違”行為呈遞增態(tài)勢；按照不同區(qū)隊分類，“三違”行為發(fā)生率綜掘、綜采、機運居于前3 位；基于SCM 分類分析4 種不安全動作類別排序，綜合分析得出，礦工產(chǎn)生不安全動作的主導因素是內部自身的原因，外部影響為次要因素。

3）對預處理后剩余的148 起“三違”行為數(shù)據(jù)進行k-means 聚類分析和PCA 降維可視化聚類散點分析。結果表明在所有不安全動作中，違章占比最大，錯誤占比最小。

4）針對不安全行為分析結果，建議托管運營煤礦員工從知識、意識與習慣3 個角度實施不安全動作的預控措施；強化培訓，提高認識，增強危險辨識能力；操作流程規(guī)范化、標準化，注重習慣養(yǎng)成，提高操作技能；保持巡查監(jiān)督、降低勞動強度，最終避免和遏制導致安全事故的不安全行為動作發(fā)生。