楊 軍，呂通通，張奕菁

1.上海市交通委員會，2.上海交通大學(xué)交通研究中心

0 引 言

“十四五”開局之年，全國綜合交通體系逐步進入建管并重的發(fā)展階段，對安全生產(chǎn)工作提出了更高要求。較航空、鐵路、水路運輸而言，道路運輸行業(yè)安全生產(chǎn)形勢最為嚴峻[1]，京滬等特大城市問題尤其突出。近年上海市開展了道路運輸重點行業(yè)安全診斷分析工作，行業(yè)數(shù)據(jù)不斷完善。因此，利用基于大數(shù)據(jù)的智能分析方法構(gòu)造可靠的診斷分析工具，進一步研究行業(yè)安全營運特性，對應(yīng)對復(fù)雜運營安全風(fēng)險，提高行業(yè)安全生產(chǎn)管理能力顯得尤為重要。

本文根據(jù)上海市道路運輸行業(yè)需求，重點關(guān)注道路旅客運輸行業(yè)企業(yè)層面的安全運營診斷研究。近年相關(guān)定量研究較少：夏鴻文[2]采用AHP方法建立安全評價模型，評價了企業(yè)基礎(chǔ)安全及企業(yè)事故風(fēng)險。吳晶晶等[3]利用AHP方法建立省際道路客運生產(chǎn)安全風(fēng)險評價模型，實現(xiàn)企業(yè)安全生產(chǎn)風(fēng)險等級自動評價功能。趙煒華等[4]構(gòu)建道路運輸企業(yè)車輛行車風(fēng)險水平評估模型，提出示例型行車風(fēng)險動態(tài)控制措施。魯光泉等[5]結(jié)合AHP和熵權(quán)法進行組合賦權(quán)建模，并評價了道路客運企業(yè)交通安全管理水平。朱文艷[6]使用G1開展安全評價，從人、車、管理3個角度建立了城市公交安全評價體系。周志強[7]依據(jù)客運企業(yè)的風(fēng)險源辨識結(jié)果構(gòu)建安全評價指標(biāo)體系，并使用AHP法進行安全評價。上述研究多采用AHP法，其依賴權(quán)重打分，易出現(xiàn)主觀誤差等問題。通過G1法或組合賦權(quán)法雖解決了部分問題，但在處理高維樣本因素耦合及不確定性問題分析上效果欠佳。據(jù)此，本文建立道路旅客運輸行業(yè)安全指標(biāo)體系，將影響因素劃分為人員、車輛及設(shè)備、線路及環(huán)境、企業(yè)基本信息和企業(yè)安全管理5類指標(biāo)。為降低主觀偏差影響，結(jié)合專家知識融合及K2算法構(gòu)造貝葉斯網(wǎng)絡(luò)模型，就5類指標(biāo)分別建立子模型，基于子模型分析結(jié)果篩選顯著因素，構(gòu)建跨指標(biāo)安全診斷模型。以安全隱患數(shù)量、安全標(biāo)準(zhǔn)化建設(shè)程度、違法數(shù)量為研究目標(biāo)，基于實際數(shù)據(jù)進行模型量化分析，為提升行業(yè)安全生產(chǎn)水平提供思路。

1 安全指標(biāo)體系建立

安全診斷的前提和基礎(chǔ)是分析研究診斷對象、確定安全指標(biāo)體系，指標(biāo)的質(zhì)量直接關(guān)系到診斷結(jié)果的準(zhǔn)確性[8]。本文依據(jù)《中華人民共和國安全生產(chǎn)法》、《交通運輸部關(guān)于推進交通運輸安全體系建設(shè)的意見》（交安監(jiān)發(fā)〔2015〕20號）、《交通運輸企業(yè)安全生產(chǎn)標(biāo)準(zhǔn)化建設(shè)基本規(guī)范》（JT/T 11807—2018）、《道路旅客運輸企業(yè)安全管理規(guī)范》（交運發(fā)〔2018〕55號）等法律規(guī)范文件，以及對上海市道路旅客運輸重點企業(yè)實地調(diào)研，通過辨識整理得到75類行業(yè)安全影響因素。

按照科學(xué)性、系統(tǒng)性、可操作性、目的性和持續(xù)改進的原則將75個因素劃分為5類指標(biāo)并編碼，建立道路旅客運輸行業(yè)安全指標(biāo)體系（圖1）。其中Pi表示人員指標(biāo)第i個安全影響因素，依此類推。

圖1 道路旅客運輸行業(yè)安全指標(biāo)體系

2 基于EKF-BN的模型構(gòu)建

2.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)（BN）是一種基于概率推理的有向無環(huán)圖形化網(wǎng)絡(luò)，由節(jié)點與連接節(jié)點的弧組成，運用條件概率表達變量間關(guān)系。由于能夠有效處理變量多、不確定性強且存在交互作用的問題，被廣泛應(yīng)用于數(shù)學(xué)、計算機、生物醫(yī)學(xué)等領(lǐng)域[9]。

BN依托貝葉斯定理表達變量間的關(guān)系。假設(shè)A為目標(biāo)變量，Bi為第i個因素變量，i=1，2，…，n。P（Bi）為Bi的先驗概率，且P（Bi）＞0。P（A|Bi）為Bi發(fā)生的條件下A的條件概率。隨著變量數(shù)據(jù)作為證據(jù)不斷加入，利用式（1）計算可不斷更新式中缺失概率信息的后驗概率。

2.2 基于EKF-BN的網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

基于純數(shù)據(jù)學(xué)習(xí)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)由于搜索空間龐大而效率低下，且隨著數(shù)據(jù)維度增加，基于復(fù)雜算法的網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)又可能產(chǎn)生過擬合現(xiàn)象導(dǎo)致模型實用性降低[10]。

基于此，本文根據(jù)圖分塊思維[11]，分別構(gòu)建五類指標(biāo)子模型，降低數(shù)據(jù)維度與節(jié)點數(shù)量。引入基于專家知識融合（EKF）的方法，根據(jù)實際調(diào)研獲取的專家知識，利用證據(jù)推理（DS）方法進行融合，獲取網(wǎng)絡(luò)先驗結(jié)構(gòu)信息，再利用K2算法進行網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，將子模型分析結(jié)果應(yīng)用于安全診斷模型建立過程，并完成模型建立。

2.2.1 利用EKF構(gòu)造先驗網(wǎng)絡(luò)結(jié)構(gòu)

先驗網(wǎng)絡(luò)結(jié)構(gòu)指在網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)前構(gòu)造部分網(wǎng)絡(luò)拓撲結(jié)構(gòu)，對網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)起到一定的引導(dǎo)、輔助作用，可以降低搜索空間。單純利用專家知識構(gòu)造網(wǎng)絡(luò)結(jié)構(gòu)可以解決效率低下的問題，但易受到專家主觀因素影響。本文引入基于DS的專家知識融合（EKF）方法，結(jié)合上海市交通運輸重點行業(yè)安全診斷分析工作中實地獲取的專家意見，進行可信度分配和融合，構(gòu)造先驗網(wǎng)絡(luò)結(jié)構(gòu)序列。經(jīng)過漢明距離測試，該方法優(yōu)于傳統(tǒng)K2算法[12]。

2.2.2 利用K2算法進行網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

EKF方法可確定部分先驗網(wǎng)絡(luò)，故選擇K2算法進行網(wǎng)絡(luò)構(gòu)造。在事先合理確定因素節(jié)點序列的條件下，此算法可以快速識別網(wǎng)絡(luò)結(jié)構(gòu)。算法結(jié)合貝葉斯評分與貪婪搜索方法，學(xué)習(xí)數(shù)據(jù)集以構(gòu)造網(wǎng)絡(luò)，通過評分和迭代得到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)[13]。

算法執(zhí)行使用式（3）的對數(shù)函數(shù)表達式以降低計算復(fù)雜度[13]。結(jié)合貪婪搜索算法，在確定部分先驗網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上遞增Pa（xi），進而增加P（Bs，D）。當(dāng)單個Pa（xi）增加不再引起P（Bs，D）增加，則遞增過程停止，輸出Bs。

3 實例研究

為了解決上海市道路運輸行業(yè)與企業(yè)對安全管理的定量化指標(biāo)及抓手的問題，本文參照《交通運輸企業(yè)安全生產(chǎn)標(biāo)準(zhǔn)化建設(shè)評價管理辦法》（交安監(jiān)發(fā)〔2016〕133號）、《上海市交通行業(yè)安全生產(chǎn)事故隱患排查治理辦法（試行）》（滬交行規(guī)〔2019〕3號），共設(shè)置4個目標(biāo)變量（表1）。

表1 目標(biāo)變量

3.1 數(shù)據(jù)來源及預(yù)處理

研究數(shù)據(jù)采集自上海市安全生產(chǎn)監(jiān)督管理平臺數(shù)據(jù)庫，以及全市193家道路旅客運輸和涉及相關(guān)業(yè)務(wù)的重點企業(yè)的網(wǎng)絡(luò)問卷調(diào)查結(jié)果。共采集到數(shù)據(jù)193條，經(jīng)數(shù)據(jù)清洗剔除重復(fù)性數(shù)據(jù)2條，缺失數(shù)據(jù)15條，無效數(shù)據(jù)4條，得到有效數(shù)據(jù)172條。

為滿足貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)要求，需要將數(shù)據(jù)中的連續(xù)變量離散化。以駕駛員平均駕齡（P11），車輛平均使用年限（V7），通勤通學(xué)包車線路數(shù)（L6），省際包車客運（B2），安全生產(chǎn)例會頻率（S9）為例，部分預(yù)處理結(jié)果見表2。

表2 數(shù)據(jù)預(yù)處理結(jié)果

3.2 安全診斷模型構(gòu)建

3.2.1 子模型構(gòu)建

采用GeNIe軟件實現(xiàn)模型可視化，該軟件可有效進行基于背景知識的K2算法學(xué)習(xí)[14]。利用EKF結(jié)合K2算法對5類指標(biāo)分別構(gòu)造貝葉斯網(wǎng)絡(luò)子模型（圖2），圖中實箭線為利用EKF方法構(gòu)造的先驗網(wǎng)絡(luò)結(jié)構(gòu)，虛箭線為經(jīng)過K2算法學(xué)習(xí)得到的后驗網(wǎng)絡(luò)。

圖2 子模型網(wǎng)絡(luò)結(jié)構(gòu)

分別計算每個子模型中各因素間影響力以及因素的敏感度數(shù)值并取均值，選取影響力或敏感度均值顯著的影響因素（表3），表中括號內(nèi)的因素為顯著因素的強關(guān)聯(lián)因素，在前表示子節(jié)點，在后為父節(jié)點。

表3 子模型因素篩選結(jié)果

3.2.2 安全診斷模型構(gòu)建

利用子模型篩選的31個顯著因素，重復(fù)上述建模方法得到安全診斷模型（圖3），利用GeNIe軟件自帶交叉驗證方法中的LOO（Leave one out）方式驗證模型，得到模型命中率均值為0.745 64。

圖3 安全診斷網(wǎng)絡(luò)模型

利用受試者工作特征曲線（Receiver operat-ing characteristic curve，ROC）檢驗?zāi)Ｐ偷姆夯芰15]。計算曲線右側(cè)面積AUC（The area under the ROC curve），若AUC＞0.5表示模型可行，數(shù)值越高模型泛化能力越好。經(jīng)檢驗，4個目標(biāo)變量AUC均值達到0.649 04，表明模型總體可行。

3.3 模型診斷結(jié)果分析

利用影響力及敏感度分析，分別診斷5類子模型的指標(biāo)內(nèi)各因素對系統(tǒng)安全性的影響情況，再進行跨指標(biāo)安全診斷模型分析。影響力分析可判斷節(jié)點之間的關(guān)系強度，影響力指數(shù)越高，兩節(jié)點連接強度越強。敏感度分析可探知因素節(jié)點微小變化對目標(biāo)節(jié)點的擾動大小。

3.3.1 人員層面

提取人員子模型敏感度分析結(jié)果并降序排列（表4），觀察影響力均值＞0.2的子父節(jié)點關(guān)系。得到影響安全性最大的3個因素分別是“駕駛員總?cè)藬?shù)”“專職安全生產(chǎn)管理人員數(shù)”“安全生產(chǎn)管理人員總?cè)藬?shù)”。進一步探究因素關(guān)系發(fā)現(xiàn)：“駕駛員總?cè)藬?shù)”“從業(yè)人員安全意識”對T4影響力指數(shù)均值分別為0.671和0.281；“公司員工總?cè)藬?shù)”對T3的指數(shù)均值為0.349；T1對“配備安全生產(chǎn)管理總?cè)藬?shù)”的指數(shù)均值為0.447。

表4 人員子模型敏感度分析結(jié)果

3.3.2 車輛及設(shè)備層面

同理提取車輛及設(shè)備子模型敏感度分析結(jié)果見表5，并觀察影響力均值＞0.2的子父節(jié)點關(guān)系。得到影響安全性最大的3個因素分別是“運營車輛平均技術(shù)等級”“實際運營車輛數(shù)”“目前實際擁有車輛總數(shù)”。觀察因素影響力強度關(guān)系發(fā)現(xiàn)：“實際運營車輛平均技術(shù)等級”對T1、T2和T4均有強關(guān)聯(lián)，指數(shù)均值分別為0.232、0.314和0.275；“實際運營車輛數(shù)”“安全設(shè)備維護保養(yǎng)及定期檢測”對T4有較強關(guān)聯(lián)，指數(shù)均值為0.263和0.215。

表5 車輛及設(shè)備子模型敏感度分析結(jié)果

3.3.3 線路及環(huán)境層面

同上（表6），得到影響安全性最大的3個因素分別是“配備乘務(wù)員的線路條數(shù)”“班車客運營運線路長度”“省際班線數(shù)”。影響力分析結(jié)果顯示：“配備乘務(wù)員的線路條數(shù)”“選線考慮營運利潤”對T2的影響較強，指數(shù)均值分別為0.354和0.247。

表6 線路及環(huán)境子模型敏感度分析結(jié)果

3.3.4 企業(yè)基本信息層面

同上（表7），得到影響安全性最大的3個因素分別是“省際包車客運”“年度誠信評價考核等級”和“年客運量”。影響力分析結(jié)果發(fā)現(xiàn)：開設(shè)“省際包車客運”對“年度誠信評價考核等級”影響最強，均值達到0.615；“年度誠信評價考核等級”對T2、T3的影響力指數(shù)均值分別達到0.256和0.472；“年實際運營收入”對T2的指數(shù)均值為0.211。

表7 企業(yè)基本信息子模型敏感度分析結(jié)果

3.3.5 企業(yè)安全管理層面

同上（表8），得到影響安全性最大的3個因素分別是“應(yīng)急預(yù)案制定情況”“應(yīng)急預(yù)案演練情況”“隱患排查頻率”。影響力分析發(fā)現(xiàn)：“應(yīng)急預(yù)案制定情況”對T1、T2和T3有強相關(guān)，指數(shù)均值分別為0.262、0.341和0.240；T1對“不同監(jiān)管措施”指數(shù)均值為0.390，而“應(yīng)急預(yù)案演練情況”對“不同監(jiān)管措施”指數(shù)均值達到0.430；“安全生產(chǎn)自查情況”對“隱患排查頻率”影響力較高，指數(shù)均值為0.299。

表8 企業(yè)安全管理子模型敏感度分析結(jié)果

3.3.6 跨指標(biāo)安全診斷

結(jié)合敏感度及后驗概率分析，以T1（一般安全隱患數(shù)量）的安全診斷為例進行跨指標(biāo)的安全診斷。首先進行單個因素的敏感度分析，并作歸一處理。提取對T1敏感度指數(shù)＞0.1的因素為顯著項，對應(yīng)的歸一化結(jié)果作為安全診斷的部分依據(jù)。再進行后驗概率分析，利用GeNIe軟件后驗概率計算功能，通過設(shè)置顯著因素中每個狀態(tài)為“證據(jù)”（該狀態(tài)絕對發(fā)生），可以得到受該狀態(tài)影響下T1的概率變化情況，作歸一處理后，結(jié)合敏感度分析結(jié)果即可診斷出單個狀態(tài)對T1影響程度。對T1的跨指標(biāo)安全診斷見表9。

表9 T1安全診斷結(jié)果

經(jīng)過診斷，得到導(dǎo)致“一般安全隱患數(shù)量”上升的狀態(tài)有“年度誠信評價考核等級”為“B級”，“應(yīng)急預(yù)案制定情況”為“正在制定”，“應(yīng)急預(yù)案演練情況”為“從未進行”，“隱患排查頻率”為“每半年一次”。此外，觀察分析結(jié)果發(fā)現(xiàn)：“年度誠信評價考核等級”中各單狀態(tài)權(quán)重較高，對“一般安全隱患數(shù)量”表達出高敏感。“應(yīng)急預(yù)案演練情況”為“一年兩次及以上”對安全隱患提升也具有貢獻，這可能是由于企業(yè)頻繁進行演練導(dǎo)致其并沒有從實質(zhì)上提高從業(yè)人員的安全意識。保持“每周一次”的隱患排查頻率較“每日一次”的頻率，對降低“一般安全隱患數(shù)量”更有幫助。

4 總 結(jié)

本文將75個安全影響因素劃分為5類指標(biāo)。利用EKF-BN方法針對172條企業(yè)數(shù)據(jù)進行建模分析，盡可能全面地刻畫道路旅客運輸行業(yè)營運中安全影響因素間的耦合關(guān)系。分析結(jié)果顯示，人員層面“駕駛員總?cè)藬?shù)”，車輛及設(shè)備層面“營運車輛平均技術(shù)等級”，線路及環(huán)境層面“配備乘務(wù)員的線路條數(shù)”，企業(yè)基本信息層面開設(shè)“省際包車客運”，企業(yè)安全管理層面“應(yīng)急預(yù)案制定情況”在各子網(wǎng)系統(tǒng)中對系統(tǒng)安全性影響最大。進行跨指標(biāo)因素單個狀態(tài)的分析得到：導(dǎo)致一般安全隱患數(shù)量上升的企業(yè)，其狀態(tài)特征為年度誠信評價考核等級被評為B級，未完成應(yīng)急預(yù)案制定，從未進行應(yīng)急預(yù)案演練及每半年進行一次隱患排查。針對道路旅客運輸行業(yè)跨指標(biāo)因素建立貝葉斯網(wǎng)絡(luò)屬于NP問題[11]，本文建模方法可能忽視了一些跨指標(biāo)間耦合關(guān)系，將在之后的研究中繼續(xù)探索。其次，由于數(shù)據(jù)庫不夠完善，部分研究數(shù)據(jù)由問卷調(diào)研作為補充，可能存在一定主觀偏差。