朱紫陽,王文鈺,田 猛,王先培
(1.武漢大學 電子信息學院,湖北 武漢 430072;2.武漢大學 發(fā)展與教育心理研究所,湖北 武漢 430072)
變電站在發(fā)電設施與用電者間起到集中、轉換、分配電能的作用,是維持現(xiàn)代電力系統(tǒng)正常運行的重要設施。近年來,約66%的電力人身傷亡事故由不安全行為導致[1],成為影響電力作業(yè)安全的重要因素。因此,研究不安全行為的核心影響因素有助于理解變電站事故的根本原因,對于減少事故的發(fā)生具有重要意義。
目前,國內外學者普遍關注安全氛圍[2-5]、安全管理[6-9]等客觀因素對操作者不安全行為的影響,但除客觀因素外,現(xiàn)代心理學認為人的行為受心理因素支配,是心理活動的外在呈現(xiàn)[10]。因此,心理因素也被視為影響不安全行為的重要因素之一[11]。
國內外學者對影響不安全行為的心理因素開展研究:Wang等[12]調查并分析359個建筑工人,發(fā)現(xiàn)心理壓力會從安全參與和安全服從2個方面影響安全行為;Qin等[13]設計量表和問卷探究心理資本與煤礦工人安全行為之間的關系,證實二者具有強關聯(lián)性;陳梅等[14]從主觀社會支持角度探究心理狀態(tài)對建筑工人不安全行為的重要影響,得到可以減少事故發(fā)生的策略;付凈等[15]基于24模型分析煤礦工人不安全行為的內在致因,發(fā)現(xiàn)安全心理和安全知識影響相對較大。針對不安全行為心理致因的研究還存在2點不足:研究者僅關注單一心理維度對安全行為的影響,導致結論適用范圍有限;現(xiàn)有研究普遍關注煤礦和建筑領域,針對變電站工作者不安全行為的心理影響因素研究較少。
因此,本文在對變電站員工調查問卷基礎上,建立包含不安全行為和9種安全心理維度的貝葉斯網(wǎng)絡模型,探究其核心影響因素。研究結果有助于拓展針對變電站操作者的心理教育措施,并輔助建立系統(tǒng)化的心理預警機制,進而減少事故發(fā)生。
安全心理是指人在從事安全生產(chǎn)活動時產(chǎn)生的特殊心理活動。這種心理狀態(tài)與當事人的安全行為聯(lián)系緊密。從心理學角度出發(fā),探究不安全行為產(chǎn)生的根本原因,能針對性地提出解決方法,減少由于不安全行為導致的事故。根據(jù)文獻[16]可知,影響安全的外在心理狀況主要包含逆反心理、習慣心理、自負心理、求快心理、厭煩心理、僥幸心理、緊張心理和麻痹心理等,然而電力行業(yè)具有事故代價大、技術難度高、涉及范圍廣、系統(tǒng)復雜且高度集成、工作壓力大等特點,這導致從業(yè)者的安全心理維度與其他行業(yè)略有不同。中國科學院在2016年有關電力行業(yè)工作者安全心理現(xiàn)狀的研究中提到,緊張心理、情緒穩(wěn)定性等因素是導致電力行業(yè)員工產(chǎn)生不安全行為的重要心理因素?;趪鴥然鶎与娏T工安全心理模型[17-18],本文提出9種影響變電站操作者產(chǎn)生不安全行為的心理,見表1。
本文數(shù)據(jù)來源于2018年和2019年國家電網(wǎng)某省有限公司安全心理課題中發(fā)放的電網(wǎng)員工安全心理自評問卷,該問卷依據(jù)表1對變電站員工的9種心理維度進行評價,每個維度被量化為[0,5]區(qū)間內的分數(shù),分數(shù)越高,表示被測者在這個維度的表現(xiàn)越差。為了讓評分數(shù)據(jù)能用于模型訓練,將分數(shù)按照表2離散化為3種取值:低于正常值(Low)、正常值(Normal)、高于正常值(High)。每位員工的安全行為使用9個維度的總分衡量,并以20分為分界線,離散化為存在安全行為(Yes)和存在不安全行為(No)。
據(jù)統(tǒng)計,2018年和2019年問卷調查分別得到824,20 406個(人次)有效數(shù)據(jù),共計21 230個。在模型中,9種心理維度均可單獨影響安全行為,即該貝葉斯網(wǎng)絡最多可能有9個父節(jié)點。同時考慮到每個節(jié)點均有3種取值方式,用于模型訓練的數(shù)據(jù)最少需要39=19 683個。因此,將21 230個有效數(shù)據(jù)劃分為包含20 000個數(shù)據(jù)的訓練集和包含1 230個數(shù)據(jù)的檢驗集。
表1 影響變電站操作不安全行為的9種心理維度Table 1 Nine psychological dimensions affecting unsafe operation behavior in substation
表2 9種心理維度評分的正常值范圍Table 2 Normal value range of scores for nine psychological dimensions
貝葉斯網(wǎng)絡是1種反映概率分布并能實現(xiàn)概率推理的有向無環(huán)圖[19]。建立貝葉斯網(wǎng)絡模型主要包含結構學習和參數(shù)學習2個步驟,分別用于構建網(wǎng)絡拓撲結構和獲取各節(jié)點的概率分布,模型建立后需要進行網(wǎng)絡評價,用于檢驗其合理性。
結構學習方法主要分為基于專家知識和基于結構學習算法,2種方法有1個共同缺點,即如果掌握的知識或觀測數(shù)據(jù)不足,就無法建立正確的網(wǎng)絡結構。為解決這個問題,文獻[20]提出將結構學習算法與專家知識相結合,得到最優(yōu)網(wǎng)絡結構。
結構學習算法主要分為基于評分和基于約束,實踐經(jīng)驗表明,單一結構學習算法構建的網(wǎng)絡結構不夠準確。因此,本文提出用于結構學習的融合算法,并使用專家知識修正網(wǎng)絡結構,具體包括以下4個步驟:
1)在貝葉斯仿真軟件GeNIe上,將訓練集用Bayesian Search算法訓練5次,每次將迭代次數(shù)分別設置為20 k,40 k,100 k,200 k,400 k次。
2)在GeNIe上,將訓練集用PC算法訓練1次。
3)融合以上6次訓練結果。
4)用專家知識修正網(wǎng)絡結構[21]。
在針對變電站作業(yè)者安全心理的評估中,心理承受力(Dim_1)對情緒穩(wěn)定性(Dim_9)及僥幸心理(Dim_3)對冒險心理(Dim_5)展現(xiàn)出強關聯(lián)性。因此,本文在網(wǎng)絡結構中分別連接這2對節(jié)點。
Riascos等[22]運用類似方法將2種基于評分的結構學習算法(K2和MCMC)融合,再利用有限的專家知識修正網(wǎng)絡結構,取得良好的效果;Bassamzadeh等[23]證實多次重啟基于評分的結構學習算法能使結果避免陷入局部最佳。考慮到Bayesian Search算法迭代次數(shù)越多,最終得到的網(wǎng)絡結構越準確,本文采取多次重啟并逐次增加迭代次數(shù)的思路,以期得到更加準確的貝葉斯網(wǎng)絡結構。
本文利用貝葉斯仿真軟件GeNIe完成結構學習。為了與參數(shù)學習結果統(tǒng)一格式,圖1展示模型在Netica上的可視化結構。
圖1 變電站操作不安全行為模型結構Fig.1 Model structure of unsafe operation behavior in substation
在處理真實調查數(shù)據(jù)時,由于問卷填寫者的主觀原因或收集數(shù)據(jù)時的客觀原因,數(shù)據(jù)缺失難以避免。為保證貝葉斯網(wǎng)絡模型訓練的準確性,本文選用能學習缺省數(shù)據(jù)的EM算法實現(xiàn)參數(shù)學習。
在Netica中使用EM算法學習訓練集的CPT,訓練好的變電站操作不安全行為模型如圖2所示。由圖2可知,變電站中僅有67.6%的被測者行為是安全的;在9種心理維度中,被測者在麻痹心理方面表現(xiàn)較好,說明大部分變電站工作者對危險較為敏感,沒有失去警覺性;但同時被測者在冒險心理方面卻不容樂觀,這說明大部分人能感知到環(huán)境發(fā)出的危險信號,仍然選擇冒險作業(yè),從而產(chǎn)生不安全行為,導致事故發(fā)生。
本文選取5種常用于評價貝葉斯網(wǎng)絡質量的參數(shù):Errorrate[3]、Sphericalpayoff[24]、Logarithmicloss[24]、Quadraticloss[24]、AUC(Area Under the Curve) of theROC(Receiver Operating Characteristic)(簡稱AUC,下同)[19],并在Netica中將檢驗集代入網(wǎng)絡驗證,結果如表3所示,表3還列舉文獻[3]中模型的對應參數(shù)值作為參照。對比表3中數(shù)據(jù)可知,除去文獻[3]中不存在AUC值以外(因為該文獻的安全行為節(jié)點是3分類),其余本文模型參數(shù)均優(yōu)于文獻結果。同時,本文模型的AUC為0.945 8,屬于預測能力極好的范圍。因此,可以認為該模型構建合理,且具有較為優(yōu)異的泛化能力,可以用于后續(xù)分析。
靈敏度分析(Sensitivity Analysis)常用于反映貝葉斯網(wǎng)絡中節(jié)點間的相互影響程度。在本文建立模型中,對安全行為節(jié)點影響最大的安全心理節(jié)點即為變電站不安全行為的核心影響因素。本文在靈敏度分析中使用的具體方法主要有MI分析和預測推理。
圖2 變電站操作不安全行為模型Fig.2 Unsafe operation behavior model for substation
表3 變電站操作不安全行為模型評價Table 3 Evaluation of unsafe operation behavior model for substation
MI值用于衡量貝葉斯網(wǎng)絡中某個節(jié)點(設為X)對另一節(jié)點(設為Y)的影響程度[19],如式(1)所示:
MI(X,Y)=H(X)-H(X|Y)
(1)
式中:H(X)為隨機變量X的熵,用于衡量X的不確定程度。
H(X)計算如式(2)所示[25]:
(2)
式中:x表示隨機變量X的取值;P(x)表示隨機變量x的概率。
MI值越大,說明節(jié)點X,Y間的影響程度越大,相互依賴性越強[26]。
在Netica中分別計算9個心理維度節(jié)點對安全行為節(jié)點的MI值,結果如表4所示。由表4可知,情緒穩(wěn)定性(Dim_9)和心理承受力(Dim_1)對安全行為的MI值分別為0.075 57,0.070 62,遠高于其他維度,說明這2種心理維度對變電站操作者的安全行為影響較大。
預測推理過程是給定“原因”(9種安全心理)的觀測值,觀察“結果”(安全行為)的概率值變化率,從而預測可能導致的結果。文獻[2]將預測推理用于分析建筑行業(yè)中不安全行為的核心影響因素,得到能夠有效提升安全行為比率的策略。
表4 9個心理維度節(jié)點對安全行為節(jié)點的MI值Table 4 MI of 9 psychological dimension nodes to safe behavior nodes
在Netica中分別給9個心理維度節(jié)點設置證據(jù),觀察安全行為節(jié)點的靈敏度,如表5所示。其中,“初始值”為設置證據(jù)前安全行為節(jié)點中“存在安全行為”的概率,“低于正常值”、“正常值”、“高于正常值”分別為給節(jié)點設置對應證據(jù)后的概率,表5中靈敏度如式(3)所示[2]:
(3)
表5 預測推理靈敏度分析結果Table 5 Predictive inference sensitivity analysis results
式中:P(best scenario)為安全行為節(jié)點中“存在安全行為”的最高概率;P(worst scenario)為安全行為節(jié)點中“存在安全行為”的最低概率。
由表5可知,當所有心理維度均高于正常值時,情緒穩(wěn)定性和心理承受力導致安全行為變化的靈敏度相對較大,表明這2種安全心理是變電站操作不安全行為的核心影響因素。
1)以國家電網(wǎng)某省電力有限公司變電站員工安全心理自評數(shù)據(jù)為基礎,訓練模型的結構和參數(shù);針對結構學習中單一算法訓練結果不準確問題,提出融合Bayesian Search和PC算法,并使用專家知識修正的結構學習方法,針對基于評分的結構學習算法容易陷入局部最佳問題,提出多次重啟并逐次增加迭代次數(shù)的方法;本文模型在4種參數(shù)上均優(yōu)于文獻模型,具有良好的泛化能力。
2)通過使用MI分析和預測推理分析變電站操作不安全行為模型,發(fā)現(xiàn)情緒穩(wěn)定性和心理承受力是變電站操作不安全行為的核心影響因素。研究結果可為改進變電站安全措施提供指導性意見。