申建紅， 劉樹鵬

(1. 青島理工大學(xué)管理工程學(xué)院， 山東 青島 266520； 2. 青島理工大學(xué)城鄉(xiāng)建設(shè)信用與風(fēng)險(xiǎn)管理研究中心， 山東 青島 266520)

0 引言

地鐵作為城市化進(jìn)程中高效快捷的出行方式，近年來得到迅速發(fā)展。由于地鐵施工開挖規(guī)模大、地下土質(zhì)及管線情況復(fù)雜、施工工藝和技術(shù)要求高、風(fēng)險(xiǎn)因素眾多且多變，使得地鐵施工事故時(shí)有發(fā)生，并呈現(xiàn)增長趨勢[1]。因此，分析地鐵施工事故關(guān)鍵致因，從而為風(fēng)險(xiǎn)預(yù)防和控制提供決策支持，對(duì)保障施工安全至關(guān)重要。

目前，相關(guān)學(xué)者針對(duì)地鐵施工事故從多角度進(jìn)行了廣泛研究。大部分學(xué)者采用主觀定性或半定性的方法展開分析，例如： 魏丹[2]將故障樹與層次分析法相結(jié)合，對(duì)造成豎井基坑圍護(hù)結(jié)構(gòu)失穩(wěn)的影響因素進(jìn)行重要度排序； 鄭學(xué)召等[3]、周盛世等[4]分別采用梯形模糊層次法和基于PPC-D-S證據(jù)理論的方法，對(duì)地鐵施工風(fēng)險(xiǎn)等級(jí)進(jìn)行評(píng)價(jià)； Liu等[5]采用調(diào)查問卷提取影響盾構(gòu)施工安全的風(fēng)險(xiǎn)因素，為構(gòu)建主客觀相結(jié)合的EFA-SEM風(fēng)險(xiǎn)分析模型奠定了基礎(chǔ)。為解決地鐵施工風(fēng)險(xiǎn)評(píng)估中專家認(rèn)知的不確定性并有效聚合專家意見，Hou等[6]提出CNs網(wǎng)絡(luò)和EDAS的集成框架； 王乾坤等[7]研究了基于事故樹和相互作用矩陣的地鐵深基坑施工風(fēng)險(xiǎn)耦合評(píng)價(jià)方法。少部分學(xué)者采用客觀定量的方法進(jìn)行研究，如于?，摰萚8]對(duì)地鐵施工期事故進(jìn)行簡單統(tǒng)計(jì)分析，以揭示其內(nèi)在規(guī)律； 李解等[9]、Xu等[10]通過對(duì)事故案例進(jìn)行文本挖掘，識(shí)別出影響施工安全的關(guān)鍵致險(xiǎn)因素； Zhou等[11]對(duì)5個(gè)方面的多源信息進(jìn)行定量測量并融合，提出評(píng)價(jià)海底隧道施工風(fēng)險(xiǎn)等級(jí)的新方法，以實(shí)現(xiàn)對(duì)監(jiān)測數(shù)據(jù)的有效利用。

上述研究成果對(duì)事故風(fēng)險(xiǎn)因素識(shí)別和風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)起到了積極作用，但研究方法多為定性，其結(jié)果的準(zhǔn)確性容易受到專家知識(shí)的主觀影響； 而現(xiàn)有的定量分析研究較少，且主要集中在對(duì)事故報(bào)告和案例的分析及對(duì)監(jiān)測數(shù)據(jù)的利用。事故報(bào)告記錄了施工事故的詳細(xì)經(jīng)過，建立方法與模型充分挖掘報(bào)告潛在的信息，可以對(duì)客觀定量研究方法進(jìn)行補(bǔ)充。同時(shí)，關(guān)鍵致險(xiǎn)因素識(shí)別多針對(duì)單一事故類型進(jìn)行分析，少有模型對(duì)全部事故類型進(jìn)行統(tǒng)一研究，且現(xiàn)有研究成果在實(shí)踐中的決策支持能力較弱。基于上述問題，本文在收集的202起事故報(bào)告數(shù)據(jù)的基礎(chǔ)上，采用樹增強(qiáng)樸素貝葉斯(tree augmented naive，TAN)和EM算法構(gòu)建模型對(duì)數(shù)據(jù)進(jìn)行分析，挖掘不同事故類型的針對(duì)性致險(xiǎn)因素，并利用模型為事故預(yù)測和控制進(jìn)行決策輔助，以期為地鐵區(qū)間隧道和車站施工事故風(fēng)險(xiǎn)預(yù)控提供支撐。

1 貝葉斯網(wǎng)絡(luò)與TAN網(wǎng)絡(luò)概述

1.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)(Bayesian networks，BN)是基于圖論和概率論的一種有向概率圖模型，其可以利用不確定知識(shí)進(jìn)行因果推理和風(fēng)險(xiǎn)預(yù)測，在海洋、化工等領(lǐng)域[12-13]的風(fēng)險(xiǎn)管理中已發(fā)展相對(duì)成熟。模型由風(fēng)險(xiǎn)節(jié)點(diǎn)、連接弧和條件概率表(conditional probability table，CPT)組成。風(fēng)險(xiǎn)節(jié)點(diǎn)代表各風(fēng)險(xiǎn)變量，連接弧反映節(jié)點(diǎn)間的條件依賴關(guān)系，CPT定義為子節(jié)點(diǎn)與父節(jié)點(diǎn)間的傳遞概率。BN中一組變量X=(x1，x2，x3，…，xn)的聯(lián)合概率分布P(X)可描述為

(1)

式中Pa(xi)是變量xi的父集合。

BN具有雙向分析能力，可以在給出新的證據(jù)E時(shí)更新節(jié)點(diǎn)概率[12]，節(jié)點(diǎn)的后驗(yàn)概率如式(2)所示。

(2)

1.2 TAN網(wǎng)絡(luò)

TAN網(wǎng)絡(luò)是貝葉斯網(wǎng)絡(luò)的多種形式之一，包括1個(gè)類變量C和1個(gè)屬性變量A={A1,A2,…,AI}。其中： 類變量C包含m個(gè)狀態(tài)，由集合Sc={c1,c2，…，cm}表示； 每個(gè)屬性變量Ai(i=1,2,…,I)包含n個(gè)狀態(tài)，由集合SX={ai1,ai2,…,ain}表示[14]。TAN網(wǎng)絡(luò)克服了樸素貝葉斯網(wǎng)絡(luò)基于條件獨(dú)立性的假設(shè)，它允許每個(gè)屬性變量在有1個(gè)類變量作為父節(jié)點(diǎn)的基礎(chǔ)上，至多還可以有1個(gè)屬性變量作為父節(jié)點(diǎn)，考慮了屬性變量間的相互關(guān)系，如圖1所示。這與事故風(fēng)險(xiǎn)分析實(shí)際情況十分相符，各風(fēng)險(xiǎn)因素間具有內(nèi)在聯(lián)系而非獨(dú)立存在，TAN網(wǎng)絡(luò)可以充分考慮這一點(diǎn)，以提高分析的準(zhǔn)確性。

圖1 樹增強(qiáng)樸素貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 1 Structure of TAN Bayesian

2 地鐵施工事故風(fēng)險(xiǎn)分析流程

采用TAN網(wǎng)絡(luò)模型對(duì)地鐵施工事故進(jìn)行風(fēng)險(xiǎn)分析的技術(shù)路線如圖2所示。

圖2 基于TAN網(wǎng)絡(luò)的地鐵施工事故風(fēng)險(xiǎn)分析流程Fig. 2 Risk analysis process of metro construction accidents based on TAN network

2.1 數(shù)據(jù)收集

數(shù)據(jù)收集范圍為國內(nèi)2011—2021年間公布的地鐵施工階段事故報(bào)告，其中，東部城市約占數(shù)據(jù)總量的75%，中部城市約占數(shù)據(jù)總量的25%。大部分?jǐn)?shù)據(jù)來源于政府網(wǎng)站，如各地應(yīng)急管理局網(wǎng)站、安全生產(chǎn)監(jiān)督管理局網(wǎng)站、住建部網(wǎng)站；少部分?jǐn)?shù)據(jù)來源于網(wǎng)絡(luò)媒體，如百度文庫、新聞報(bào)道等。據(jù)不完全統(tǒng)計(jì)，初次共收集到220份事故報(bào)告。結(jié)合對(duì)報(bào)告內(nèi)容的審查，剔除內(nèi)容遺失和信息錯(cuò)誤的事故報(bào)告，最終確定202份有效數(shù)據(jù)作為本文數(shù)據(jù)庫。

2.2 數(shù)據(jù)處理與風(fēng)險(xiǎn)識(shí)別

數(shù)據(jù)處理對(duì)提高機(jī)器學(xué)習(xí)性能至關(guān)重要。數(shù)據(jù)處理包括樣本重分類、特征選擇和屬性離散化等策略[15]，本文從3個(gè)步驟對(duì)數(shù)據(jù)進(jìn)行處理，以完成風(fēng)險(xiǎn)識(shí)別。

2.2.1 風(fēng)險(xiǎn)指標(biāo)提取及合并

從事故經(jīng)過、直接原因、間接原因3個(gè)角度對(duì)風(fēng)險(xiǎn)因素的定性語言描述內(nèi)容進(jìn)行手動(dòng)提取，同時(shí)記錄相對(duì)應(yīng)的事故類型，實(shí)現(xiàn)初始樣本的重分類。基于事故報(bào)告內(nèi)容并參考文獻(xiàn)[4，5，8-9],經(jīng)一次提取，共得到4個(gè)事故經(jīng)過因素(季度、發(fā)生時(shí)間、發(fā)生位置、施工工法)、62個(gè)直接因素、7個(gè)間接因素(安全交底培訓(xùn)教育不到位、管理問題、安全隱患排查不到位、安全意識(shí)不足、監(jiān)理失職、建設(shè)單位安全生產(chǎn)責(zé)任未落實(shí)、違法分包)、9種事故類型(坍塌、涌水涌砂、物體打擊、地面沉降、火災(zāi)爆炸、高處墜落、管線破裂、機(jī)械傷害及其他)。

對(duì)于直接原因，由于事故報(bào)告對(duì)風(fēng)險(xiǎn)因素采用非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行記錄，導(dǎo)致同一因素存在多種描述形式，在查閱GB 50715—2011《地鐵工程施工安全評(píng)價(jià)標(biāo)準(zhǔn)》并咨詢專家意見后，對(duì)同類風(fēng)險(xiǎn)因素進(jìn)行歸類合并，經(jīng)數(shù)據(jù)降維，最終得到24個(gè)直接風(fēng)險(xiǎn)因素。地鐵施工事故直接風(fēng)險(xiǎn)因素及說明如表1所示。

表1 地鐵施工事故直接風(fēng)險(xiǎn)因素及說明Table 1 Direct risk factors and descriptions of metro construction accidents

2.2.2 風(fēng)險(xiǎn)指標(biāo)篩選

基于特征選擇的思想，指標(biāo)過多會(huì)增加網(wǎng)絡(luò)的復(fù)雜性，而去除無關(guān)和冗余信息通?？梢蕴岣邫C(jī)器學(xué)習(xí)算法的性能，從而獲得具有良好預(yù)測性和計(jì)算密集度較低的模型[15]。因此，本文基于發(fā)生頻率對(duì)指標(biāo)較多的直接因素和間接因素進(jìn)行篩選，選取位于頻率均值之上的前10個(gè)直接因素和前5個(gè)間接因素用于模型構(gòu)建。直接因素和間接因素的發(fā)生頻率分別如表2和表3所示。

表2 直接因素的發(fā)生頻率Table 2 Frequency of direct factors

表3 間接因素的發(fā)生頻率Table 3 Frequency of indirect factors

2.2.3 節(jié)點(diǎn)確定與狀態(tài)劃分

將篩選后的風(fēng)險(xiǎn)指標(biāo)和事故類型確定為模型節(jié)點(diǎn)，同時(shí)根據(jù)事故數(shù)據(jù)內(nèi)容將節(jié)點(diǎn)屬性離散為不同狀態(tài)，各節(jié)點(diǎn)代號(hào)及狀態(tài)劃分如表4所示。

表4 各節(jié)點(diǎn)代號(hào)及狀態(tài)劃分Table 4 Identification and status division

2.3 TAN網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

TAN網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)本質(zhì)上是一個(gè)優(yōu)化問題，其利用信息論中2個(gè)屬性變量在給定類變量下的條件互信息來定義網(wǎng)絡(luò)結(jié)構(gòu)[16]，將事故類型定義為類變量，其余風(fēng)險(xiǎn)因素定義為屬性變量。屬性之間的條件互信息計(jì)算如式(3)所示。

IP(Ai;Aj|C)=

(3)

式中：IP表示條件互信息；aii是風(fēng)險(xiǎn)因素Ai的第i個(gè)狀態(tài)；aji是風(fēng)險(xiǎn)因素Aj的第i個(gè)狀態(tài)；ci是事故類型的第i個(gè)狀態(tài)。

網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)過程如下[16-17]:

1)計(jì)算地鐵施工風(fēng)險(xiǎn)分析中每對(duì)屬性變量之間的條件互信息IP(Ai;Aj|C)，i≠j。

2)建立1個(gè)以全部屬性變量兩兩相連成弧、弧權(quán)重為IP(Ai;Aj|C)的完全無向圖。

3)找出最大權(quán)重生成樹。

4)從屬性變量中選擇1個(gè)根變量，并將所有邊的方向設(shè)置為向外，將生成的無向樹轉(zhuǎn)換為有向樹。

5)添加1個(gè)由類變量C標(biāo)記的頂點(diǎn)，并為每個(gè)Ai添加1條從C出發(fā)的弧來構(gòu)建TAN模型。

2.4 TAN參數(shù)學(xué)習(xí)

模型參數(shù)學(xué)習(xí)包括確定節(jié)點(diǎn)先驗(yàn)概率和轉(zhuǎn)移概率2部分。學(xué)習(xí)過程基于事故數(shù)據(jù)庫和網(wǎng)絡(luò)圖形結(jié)構(gòu)，采用參數(shù)學(xué)習(xí)算法并借助軟件完成訓(xùn)練?？紤]到已有數(shù)據(jù)可能存在缺失值的情況，為降低缺失值對(duì)參數(shù)精確度的影響，本文采用EM算法。該算法在應(yīng)對(duì)數(shù)據(jù)缺失情況時(shí)具有良好的性能[18]，其完整參數(shù)學(xué)習(xí)過程如下。

分別定義不完整數(shù)據(jù)集D=(l1,l2，…，lM)和完整數(shù)據(jù)集Y=(c1,c2,…，cM)，D∈Y。設(shè)ζ=(V,E,P)是具有參數(shù)Θ={Θq}的BN，其中Θq={Θqs}且Θqs={Θqst}，滿足對(duì)于每個(gè)q,s,t，都有Θqst=P(Xq=t|pa(Xq)=s)。基于初始化參數(shù)算法，不斷交替迭代E步和M步逼近最優(yōu)。

1)E步通過式(4)和式(5)建立1個(gè)完整的數(shù)據(jù)集Y。

(4)

(5)

式中：Mqst是(Xq,pa(Xq))=(t,s)的計(jì)數(shù)；lq是D的第q種情況。

(6)

E步和M步交替迭代直至2個(gè)連續(xù)迭代的對(duì)數(shù)似然差不超過閾值δ乘以對(duì)數(shù)似然的值，即k(Θ)收斂，如式(7)所示。

kq(Θ)=kq+1(Θ)≤δ|kq+1(Θ)|。

(7)

式中：kq(Θ)為第q次迭代后Θ的對(duì)數(shù)似然；kq+1(Θ)為第q+1次迭代后Θ的對(duì)數(shù)似然。

2.5 基于TAN網(wǎng)絡(luò)的因果推理

2.5.1 概率分析

參數(shù)學(xué)習(xí)后的模型可以推理各節(jié)點(diǎn)不同狀態(tài)的發(fā)生概率，對(duì)不同事故類型和風(fēng)險(xiǎn)因素進(jìn)行概率分析，可得到一般統(tǒng)計(jì)分析下的初步風(fēng)險(xiǎn)認(rèn)知。

2.5.2 正向推理

將事故類型節(jié)點(diǎn)不同狀態(tài)設(shè)置為100%，利用貝葉斯網(wǎng)絡(luò)正向推理能力，對(duì)各風(fēng)險(xiǎn)因素節(jié)點(diǎn)進(jìn)行敏感性分析，可以識(shí)別出關(guān)鍵致險(xiǎn)因素。對(duì)于只有2個(gè)狀態(tài)的節(jié)點(diǎn)，可以計(jì)算節(jié)點(diǎn)變化前后的風(fēng)險(xiǎn)變化(variation of risk, ROV)，根據(jù)ROV值的大小對(duì)風(fēng)險(xiǎn)的重要程度進(jìn)行排序[19]，該方法對(duì)于具有2個(gè)以上狀態(tài)的變量存在無法界定是哪2個(gè)狀態(tài)的不足?；诖?，本文引入真實(shí)風(fēng)險(xiǎn)影響(true risk influence，TRI)[20]，分析風(fēng)險(xiǎn)因素對(duì)事故類型的重要程度。該方法首先將變量全部狀態(tài)分別設(shè)置為100%，然后根據(jù)事故類型節(jié)點(diǎn)后驗(yàn)概率分別記取對(duì)事故影響最大的狀態(tài)，即高風(fēng)險(xiǎn)推斷(HRI)，以及對(duì)該事故產(chǎn)生最小影響的狀態(tài)，即低風(fēng)險(xiǎn)推斷(LRI)。通過計(jì)算HRI和LRI的平均值，得出每種風(fēng)險(xiǎn)因素對(duì)此類事故的TRI，根據(jù)TRI值大小對(duì)風(fēng)險(xiǎn)因素進(jìn)行重要度排序，如式(8)所示。

(8)

2.5.3 反向診斷

將不同事故場景下已知的風(fēng)險(xiǎn)因素狀態(tài)作為證據(jù)輸入模型，利用貝葉斯網(wǎng)絡(luò)反向診斷能力，對(duì)可能發(fā)生的事故類型及發(fā)生概率進(jìn)行預(yù)測，結(jié)果可為事故相關(guān)方的風(fēng)險(xiǎn)預(yù)防提供決策支持。同時(shí)，可將正反向推理相結(jié)合，在特定事故類型發(fā)生后，將事故類型和已探明的風(fēng)險(xiǎn)因素狀態(tài)同時(shí)輸入模型，以便快速識(shí)別事故發(fā)生的最可能風(fēng)險(xiǎn)源，為風(fēng)險(xiǎn)控制提供支持。

2.6 模型驗(yàn)證

考慮到樣本數(shù)據(jù)量較少，為充分利用樣本信息，本文采用10折交叉驗(yàn)證方法對(duì)模型的有效性進(jìn)行檢驗(yàn)。該方法允許使用相同的數(shù)據(jù)集驗(yàn)證模型，通過將數(shù)據(jù)集劃分為大小相等的10部分，輪流將其中9份作為訓(xùn)練集，其余1份作為測試集，訓(xùn)練和測試數(shù)據(jù)重復(fù)10次，取10次正確率的平均值為驗(yàn)證結(jié)果。同時(shí)，可根據(jù)接受者操作特性曲線(ROC曲線)判別模型的性能[21]，具體見3.2節(jié)。

3 結(jié)果分析和模型驗(yàn)證

借助GENIE軟件對(duì)202起事故數(shù)據(jù)進(jìn)行結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)，最終得到完整的地鐵施工事故風(fēng)險(xiǎn)分析模型，如圖3所示，利用此模型并按照2.5節(jié)流程對(duì)地鐵施工事故進(jìn)行多角度分析。

圖3 地鐵施工事故風(fēng)險(xiǎn)分析的TAN模型Fig. 3 TAN model for risk analysis of metro construction accidents

3.1 結(jié)果分析

3.1.1 概率分析

根據(jù)圖3對(duì)各節(jié)點(diǎn)進(jìn)行概率分析，得出初步風(fēng)險(xiǎn)認(rèn)知。

1)事故類型節(jié)點(diǎn)的概率分析。坍塌(T1)在地鐵施工事故中有著最高的發(fā)生率43%，其次是涌水涌砂(T2)和物體打擊(T3)，約為12%，高處墜落的發(fā)生率約為10%，其他事故類型的發(fā)生率為4%～5%。這與文獻(xiàn)[1]和文獻(xiàn)[8]有著相似的結(jié)論，其中涌水涌砂事故在分析中較其他文獻(xiàn)發(fā)生率較高，這可能與統(tǒng)計(jì)樣本選擇不同有關(guān)，本文數(shù)據(jù)來源于東部沿海城市的樣本比例較大，受地理位置影響，涌水涌砂事故發(fā)生率較高。

2)事故經(jīng)過因素的概率分析。每年的4—6月份事故發(fā)生率最低，為17%，其他月份為26%～30%，這與夏季和冬季的不利氣候條件密切相關(guān)。在一天的時(shí)間中，00：00—05：59有著最高的事故發(fā)生率，為37%； 12：00—17：59事故發(fā)生率最低，為17%。在發(fā)生位置方面，區(qū)間事故發(fā)生率(54%)略高于車站事故發(fā)生率(46%)。在施工工法方面，明挖法和盾構(gòu)法事故發(fā)生率較高(分別為32%和29%)，其次為暗挖法(21%)，而其他工法事故發(fā)生率較低。

3)事故直接因素的概率分析。地質(zhì)條件差、施工方案執(zhí)行問題、支護(hù)系統(tǒng)失效、違章施工的事故發(fā)生率在30%以上，對(duì)事故的發(fā)生有重要影響；應(yīng)急處理措施不當(dāng)、勘察設(shè)計(jì)錯(cuò)誤、施工技術(shù)問題和臨邊荷載過大的事故發(fā)生率在20%～30%，對(duì)事故的發(fā)生也有較大影響；水文條件差和不良天氣事故發(fā)生率小于20%，影響相對(duì)較小。

4)事故間接因素的概率分析。安全交底培訓(xùn)教育不到位和安全隱患排查不到位是事故發(fā)生率最高的間接因素(42%)，其次是管理問題和安全意識(shí)不足(39%)，監(jiān)理失職的事故發(fā)生率較低(24%)。

3.1.2 基于TAN的正向推理

根據(jù)TRI的定義及式(8)計(jì)算風(fēng)險(xiǎn)因素和全部事故類型的TRI值，如表5所示。

表5 事故類型和風(fēng)險(xiǎn)因素的TRI值Table 5 True risk influence of accident types and risk factors

TRI的均值可以反映風(fēng)險(xiǎn)因素對(duì)地鐵事故發(fā)生的總體影響程度。在直接因素方面，施工技術(shù)方法不適用、專業(yè)水平低(X7)，缺乏應(yīng)急處理措施或不及時(shí)、不適用的處置措施(X5)，違章施工(X4)對(duì)事故的發(fā)生有著關(guān)鍵作用； 其次是施工方案(X2)、臨邊荷載過大(X9)和地質(zhì)條件差(X1)；其他風(fēng)險(xiǎn)因素相對(duì)影響較小。在間接因素方面，安全隱患排查不到位(Y3)是最關(guān)鍵的因素，其次是施工及管理人員缺乏安全意識(shí)(Y4)，管理問題(Y2)、安全交底培訓(xùn)教育不到位(Y1)和監(jiān)理失職(Y5)相對(duì)影響較小。在事故經(jīng)過方面，引發(fā)施工事故的風(fēng)險(xiǎn)因素重要度排序?yàn)椋?施工工法(Z4)、發(fā)生時(shí)間(Z2)、季度(Z1)、發(fā)生位置(Z3)。與概率分析得到的初步風(fēng)險(xiǎn)認(rèn)知相比，基于TRI均值的分析考慮了各節(jié)點(diǎn)間的相互作用，分析結(jié)果更加貼近實(shí)際。

根據(jù)事故類型與風(fēng)險(xiǎn)因素的TRI值，對(duì)不同事故類型的風(fēng)險(xiǎn)因素進(jìn)行重要度排序，如表6和表7所示。以坍塌事故(T1)為例，其直接風(fēng)險(xiǎn)因素重要度排序?yàn)椋?X5>X3>X7>X4>X2>X9>X10>X6>X1>X8。在預(yù)防坍塌事故發(fā)生中，應(yīng)按照風(fēng)險(xiǎn)因素重要程度制定針對(duì)性措施，應(yīng)對(duì)應(yīng)急處理措施、支護(hù)系統(tǒng)安全、施工技術(shù)水平、違章施工等排序靠前的因素予以更多的關(guān)注。其間接風(fēng)險(xiǎn)因素重要度排序?yàn)椋?Y3>Y4>Y2>Y1>Y5。在日常巡查及施工安全管理中，應(yīng)著重加強(qiáng)對(duì)安全隱患的排查，防止施工事故的發(fā)生。其事故經(jīng)過因素重要度排序?yàn)椋?Z4>Z2>Z1>Z3。施工工法和發(fā)生時(shí)間相對(duì)于季度和發(fā)生位置對(duì)事故影響作用更大，在事故風(fēng)險(xiǎn)研究中可按照重要程度優(yōu)先依次分析。

表6 不同事故類型對(duì)應(yīng)直接風(fēng)險(xiǎn)因素重要度排序Table 6 Importance ranking of direct risk factors corresponding to various accident types

表7 不同事故類型對(duì)應(yīng)間接風(fēng)險(xiǎn)因素和事故經(jīng)過因素重要度排序Table 7 Importance ranking of indirect risks and accident process factors corresponding to various accident types

3.1.3 基于TAN的反向診斷

為探究不同風(fēng)險(xiǎn)因素組合對(duì)事故發(fā)生的影響，通過實(shí)際案例對(duì)該模型在風(fēng)險(xiǎn)預(yù)測方面的支持作用進(jìn)行說明。某涌水涌砂事故為區(qū)間施工項(xiàng)目，發(fā)生時(shí)間為2012年9月12日01：00左右，采用盾構(gòu)法施工，事故發(fā)生前因遭遇未探明的不良地質(zhì)水文條件，便安排現(xiàn)場施工人員進(jìn)行圍擋加固處理，但因加固處理施工方法不當(dāng)且現(xiàn)場安全監(jiān)理未及時(shí)發(fā)現(xiàn)隱患，導(dǎo)致涌水涌砂事故發(fā)生。將上述證據(jù)輸入模型，結(jié)果如圖4所示。

圖4 風(fēng)險(xiǎn)組合下的預(yù)測模型Fig. 4 Prediction model under various risk combinations

模型預(yù)測結(jié)果顯示，有85%的概率會(huì)發(fā)生涌水涌砂事故，預(yù)測結(jié)果與實(shí)際事故一致，說明了該模型對(duì)風(fēng)險(xiǎn)預(yù)測的積極作用。施工方或其他利害相關(guān)者可以以此模型作為風(fēng)險(xiǎn)預(yù)測和風(fēng)險(xiǎn)控制的決策輔助工具，以降低施工事故帶來的不良影響。

3.2 模型驗(yàn)證

以事故類型為檢測節(jié)點(diǎn)，借助GENIE軟件對(duì)數(shù)據(jù)集進(jìn)行10折交叉驗(yàn)證，結(jié)果顯示此模型的正確預(yù)測率為89.6%，表明該模型具有較好的參考性。樣本驗(yàn)證詳細(xì)結(jié)果如表8所示。

表8 樣本驗(yàn)證詳細(xì)結(jié)果Table 8 Detailed results of sample validation

ROC曲線同樣能反映模型的性能，通過ROC曲線的曲線下面積(AUC)來評(píng)估，AUC值越大，表明模型的性能越好，一般認(rèn)為AUC值在[0.85，0.95]的模型具有很好的性能[22]。以事故類型節(jié)點(diǎn)T5狀態(tài)為例，其AUC值為0.856，表明模型預(yù)測具有較高的準(zhǔn)確率，T5的ROC曲線如圖5所示。對(duì)于部分節(jié)點(diǎn)狀態(tài)，如T7存在AUC值過高(為1)的情況，這是由于此類型數(shù)據(jù)較少(僅有7起)，需在今后的研究中通過收集更多的數(shù)據(jù)量進(jìn)行重新評(píng)測。

圖5 事故類型T5狀態(tài)的ROC曲線Fig. 5 ROC curve for accident type in T5 state

4 結(jié)論與討論

1)借助TAN網(wǎng)絡(luò)和EM算法，構(gòu)建地鐵施工事故致因分析模型，對(duì)2011—2021年間的202起事故數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，所建模型實(shí)現(xiàn)了對(duì)事故報(bào)告潛在信息的挖掘和利用，采用客觀數(shù)據(jù)從3個(gè)角度對(duì)地鐵施工事故進(jìn)行深入分析，避免受專家知識(shí)的主觀影響。

2)基于模型分析，明確了不同類型事故的關(guān)鍵致險(xiǎn)因素，并對(duì)各風(fēng)險(xiǎn)因素造成事故發(fā)生的總體影響程度進(jìn)行重要度排序，豐富了地鐵施工安全事故管理理論； 該模型可將實(shí)際工程項(xiàng)目的已知信息作為證據(jù)輸入，為風(fēng)險(xiǎn)預(yù)防和控制提供決策支持，同時(shí)可為類似工程的事故報(bào)告挖掘和致因分析提供參考。

3)限于樣本數(shù)量較少，模型的準(zhǔn)確率及部分節(jié)點(diǎn)狀態(tài)的AUC值有待改進(jìn)，未來將收集更多的數(shù)據(jù)用于提高模型性能，以期為減少地鐵事故發(fā)生提供更多支撐。