煤礦安全管理雙權(quán)重風險評價方法研究

何葉榮，范志豪

(安徽建筑大學 經(jīng)濟與管理學院，安徽 合肥 230601)

0 引 言

煤炭產(chǎn)業(yè)在中國一次性能源生產(chǎn)和消費結(jié)構(gòu)中占主導地位，“十四五”時期，煤炭行業(yè)將進入高質(zhì)量發(fā)展攻堅期，煤炭將占到中國一次能源消費一半以上。預計到2025年，煤炭消費量在41億t左右，占比約為52%[1]。但是中國煤礦環(huán)境復雜，安全事故多發(fā)。國家礦山安全監(jiān)察局對2020年煤礦安全事故案例進行了梳理，統(tǒng)計出了全國煤礦安全事故十大典型案例[2]，見表1。

表1 2020年全國煤礦安全事故統(tǒng)計

近年來，中國煤礦安全法律法規(guī)體系進一步健全，監(jiān)管體制機制不斷完善，安全管理越來越規(guī)范，煤礦安全形勢明顯好轉(zhuǎn)，重特大事故明顯減少，2019年全國煤礦發(fā)生死亡事故170起、死亡316人，同比分別下降24.1%和5.1%；百萬噸死亡率0.083%，同比下降10.8%[3]。2020年以來，面對極其嚴峻復雜的國內(nèi)外形勢，特別是新冠肺炎疫情嚴重沖擊，在黨中央、國務院的堅強領導下，廣大煤礦企業(yè)認真貫徹落實黨中央決策部署，統(tǒng)籌抓好疫情防控和安全生產(chǎn)工作，健全公共安全體系，完善安全生產(chǎn)責任制，提升安全事故的防范能力，使全國煤礦事故總量、重大事故數(shù)量、百萬噸死亡率持續(xù)下降，煤礦安全生產(chǎn)形勢持續(xù)穩(wěn)定向好。但是，煤礦安全事故仍時有發(fā)生，與歐美一些國家相比，事故總量依然偏大[4]。暴露出一些煤礦企業(yè)法律意識淡薄、違法違規(guī)行為屢禁不止、事故隱患較多等影響安全生產(chǎn)的突出問題和薄弱環(huán)節(jié)尚未得到根本解決。

據(jù)統(tǒng)計，已發(fā)生的煤礦安全事故中，90%以上是由于人的因素所致[4]，本質(zhì)上是由于安全管理所致。近些年來，國內(nèi)外專家、學者針對煤礦安全管理風險問題，開展了大量研究，取得了豐富的成果[4-7]，推動了煤礦安全管理工作。然而，由于煤礦安全管理的動態(tài)時變性和非線性，這些理論在實際應用中受到一定的限制，實用性不強[7]。結(jié)構(gòu)方程模型(structural equation model，SEM)[7-10]可以對多個因變量同時處理，分析風險因子對風險結(jié)果的影響路徑，而且對煤礦安全管理多變的、相互演化的風險關系，通過路徑系數(shù)進行分析，并精確計算出來；模糊支持向量機(fuzzy support vector machine，F(xiàn)SVM)[11-15]，是將模糊隸屬度添加于支持向量機二次規(guī)劃的懲罰參數(shù)中，能夠?qū)μ厥鈽颖具M行模糊隸屬度賦值，消除數(shù)據(jù)差異的影響。文中在對國內(nèi)外相關研究進行梳理的基礎上，結(jié)合中國煤礦安全管理現(xiàn)狀，擬采用模糊支持向量機(FSVM)和結(jié)構(gòu)方程(SEM)相結(jié)合的方法，對煤礦安全管理風險進行評價[3]。

1 理論基礎及程序

1.1 理論基礎

運用SEM進行風險因素分析，構(gòu)建SEM風險因素結(jié)構(gòu)模型，計算風險因素路徑系數(shù)，確定風險評價指標權(quán)重，將該權(quán)重與FSVM的核函數(shù)進行內(nèi)積運算，建立特征加權(quán)核函數(shù)，由此形成FSVM新的核函數(shù)，以平衡指標貢獻度對風險評價結(jié)果的影響。經(jīng)過處理后的模型既能簡化樣本數(shù)據(jù)處理，又能很好地解決煤礦安全管理的動態(tài)性、時變性等問題[3]。這種將樣本權(quán)重與指標權(quán)重同時考慮的雙權(quán)重風險評價方法，能大大提高煤礦安全管理風險評價的精度和效率。

對煤礦安全管理風險因素進行分析，建立SEM結(jié)構(gòu)模型，計算SEM路徑系數(shù)，構(gòu)建SEM路徑系數(shù)為指標特征權(quán)值的FSVM[3]。從輸入空間Rn到高維空間H變換F:X?Rn→X?H,x→y=F(x)，構(gòu)建模糊訓練集

(1)

選取恰當?shù)膽土P參數(shù)C和閾值g(0

(2)

式中C>0為懲罰參數(shù);x=(x1,x2,…,xl)T為松弛變量。

引入SEM路徑系數(shù)作為特征權(quán)值，構(gòu)造特征權(quán)值向量

bm=(bm1,bm2,…,bml)T，m=1，…,l,P=dig(b1,b2,…,bm)

(3)

式中j=t,s,i,q;k=t,s,i,q，構(gòu)造二次規(guī)劃式

(4)

式中

式(4)為凸二次規(guī)劃式，求解其最優(yōu)解

構(gòu)造出最優(yōu)分類函數(shù)式

建立模糊訓練集

(5)

1.2 程序與步驟

運用SEM和FSVM結(jié)合的方法，將SEM風險路徑系數(shù)值作為評價指標特征權(quán)重向量，與GAUSS核函數(shù)進行內(nèi)積運算，構(gòu)建特征加權(quán)GAUSS核函數(shù)，建立特征加權(quán)支持向量機[3]。具體程序如圖1所示。

圖1 評價模型構(gòu)建程序Fig.1 Procedure of evaluation model

2 評價過程

2.1 選擇樣本

通過現(xiàn)場訪談，結(jié)合專家咨詢和問卷調(diào)查，選擇12個典型煤礦為樣本(7個正類，5個負類)。運用粗糙集理論對收集的60個煤礦安全管理風險因素指標進行約減，提煉出18個風險評價指標和3個風險后果指標。數(shù)據(jù)采集期為2017—2019年，取3年的數(shù)據(jù)均值作為指標分值。

2.2 設計風險類別

風險等級區(qū)間采用1～10分，采用李克特五級量表，分為5級分值區(qū)間：[0-2]無風險，(2-4]輕微風險，(4-6]一般風險，(6-8]較大風險，(8-10]嚴重風險；風險后果設置為±類：-1表示有風險后果，+1表示無風險后果[3]。

2.3 數(shù)據(jù)處理

2.3.1 數(shù)據(jù)預處理

運用STATA 12.0對數(shù)據(jù)進行描述性統(tǒng)計分析，然后進行數(shù)據(jù)歸一化處理[14]。

(6)

2.3.2 數(shù)據(jù)信度、效度分析

對預處理數(shù)據(jù)進行信度和效度分析，分析結(jié)果總體量表的Alpha值為0.928，大于參照值0.7，指標信度很好。效度是衡量測量結(jié)果與實際情況的符合程度的，通常運用KMO和Bartlett球形檢驗。文中風險評價指標的KMO值為0.886，Bartlett球型檢驗值為1 650.33，其概率Sig值為0，存在顯著差異，指標信度和效度較好。

2.4 模型構(gòu)建與風險評價

2.4.1 模糊隸屬函數(shù)選擇及參數(shù)設置

構(gòu)建模糊隸屬函數(shù)，確定隸屬度的大小，采用基于距離的隸屬度函數(shù)確定方法[15]

(7)

運用10折交叉驗證的方法確定參數(shù)，對FSVM的懲罰參數(shù)C和核函數(shù)參數(shù)s進行優(yōu)化。選取C=100,s=0.5，置信水平l=0.9。

2.4.2 核函數(shù)構(gòu)建

?K(x,y)F(x)F(y)d(x)d(y)>0

(8)

常用的核函數(shù)主要有以下幾種[16]。

1)線性核函數(shù)K(xi,xj)=xi·xj

(9)

2)多項式核函數(shù)K(xi,xj)=[(xi,xj)C]d

(10)

其中C為常數(shù),C>0。

3)GAUSS徑向基核函數(shù)

(11)

4)特征加權(quán)GAUSS核函數(shù)

(12)

式中W為特征加權(quán)矩陣，W=dig(w1,w2,…,wm)，各指標特征權(quán)重為wi,wi∈(0,1),i=0,1,…,m。

為了避免一些次重要因素對評價結(jié)果的影響，引入特征加權(quán)的概念。文中引入SEM路徑系數(shù)值，作為評價指標的特征權(quán)重，其原理如下[3]。

W=dig(w1,w2,…,wm),wi∈(0,1),i=0,1,…,m為各指標特征權(quán)重；wi取值不同會影響回歸函數(shù)的選擇。文中選用GAUSS核函數(shù)

(13)

加權(quán)后的GAUSS核函數(shù)變?yōu)?/p>

(14)

即為特征加權(quán)GAUSS核函數(shù)。

2.4.3 選擇訓練樣本，構(gòu)建模糊訓練集

選擇訓練樣本

(15)

取懲罰參數(shù)C=100，s=0.5，置信水平l=0.9，對模糊訓練點進行訓練。特征加權(quán)GAUSS核函數(shù)

(16)

將數(shù)據(jù)帶入分類函數(shù)f(x)=sgn(w*x+b)得出

f(x)=sgn(w*x+b)=sgn(40.021[x]1+38.098[x]2+41.320[x]3+35.046[x]4+37.968[x]5-10.805)

構(gòu)建最優(yōu)分類函數(shù)的隸屬函數(shù)，根據(jù)模糊正類點的輸入xt(t=1,3,5,6)，函數(shù)g(x)，得到模糊訓練集S1={(10.055,1),…,(0.897,0.787)}

構(gòu)造支持向量回歸機，得到回歸函數(shù)j+(u)=0.041u+0.562。同樣道理，根據(jù)模糊負類點的輸入xi(i=2,4,7)，函數(shù)g(x)，得到模糊訓練集S2={(-1.055,0.543),…,(-1.596,0.586)}

構(gòu)造支持向量回歸機，得到回歸函數(shù)j-(u)=-0.062u+0.630。最優(yōu)分類函數(shù)的隸屬函數(shù)為

(17)

2.4.4 選定測試樣本進行測試

將數(shù)據(jù)帶入最優(yōu)分類函數(shù)和最優(yōu)分類函數(shù)隸屬函數(shù)進行測試，結(jié)果見表2。

f(x1)=1,m(g(x1))=0.68;

f(x2)=-1,m(g(x2))=0.93;

f(x3)=1,m(g(x3))=1;

f(x4)=1,m(g(x4))=0.67;

…;

f(x12)=1,m(g(x12))=0.78。

表2結(jié)果表明，用基于SEM-FSVM評價模型對12個樣本進行風險評價，評價結(jié)果與實際風險狀態(tài)是相符的。

表2 測試結(jié)果

3 結(jié)果分析

3.1 評價結(jié)果分析

為了檢驗風險評價模型的有效性，現(xiàn)采用相同樣本點數(shù)據(jù)，對SEM，F(xiàn)SVM與SEM-FSVM 3種評價模型的評價結(jié)果進行比較。

具體程序如下

1)根據(jù)公式

(18)

(19)

2)根據(jù)隸屬函數(shù)公式，對測試結(jié)果的隸屬度進行轉(zhuǎn)化，3種評價方法SEM，F(xiàn)SVM和SEM-FSVM的評價結(jié)果與實際結(jié)果比較，如圖2所示。

表3 FSVM與SEM-FSVM的測試結(jié)果隸屬度值

圖2 三種方法的評價結(jié)果Fig.2 Evaluation results three evaluation methods

圖3 3種評價方法的評價結(jié)果誤差對比Fig.3 Error comparisons of evaluation results by three methods

4)計算每種評價方法的總誤差和平均誤差，平均誤差越小越精確。結(jié)果見表4。

表4 總誤差與平均誤差比較

4 結(jié) 論

由上述評價結(jié)果來看，總誤差和平均誤差均最小的是基于指標和樣本雙權(quán)重的SEM-FSVM風險評價方法，評價精度最高，SEM和FSVM評價精度相對偏低。主要原因在于

1)樣本數(shù)據(jù)可能有野值點的存在，導致評價結(jié)果出現(xiàn)誤差；另外，指標數(shù)據(jù)的處理方法也有可能影響評價結(jié)果，導致出現(xiàn)誤差。

2)SEM一般用于評價多因素多變量之間的影響關系，進行多樣本風險評價比較困難，要逐個將樣本的指標分值代入模型進行計算，計算過程比較繁瑣，容易出錯且耗時較長，評價精度不理想。

3)基于FSVM的評價模型，雖然引入了模糊隸屬度，對于孤立點賦予了很小的隸屬度，但是樣本指標權(quán)值對評價結(jié)果還是有一定影響的。

4)基于特征和樣本雙重加權(quán)的SEM-FSVM風險評價模型，通過構(gòu)建SEM風險因素結(jié)構(gòu)模型，將SEM路徑系數(shù)與GAUSS核函數(shù)進行集成，構(gòu)造特征加權(quán)GAUSS核函數(shù)，對FSVM的核函數(shù)進行了改進。改造后的SEM-FSVM模型，一方面能注重樣本重要性，同時又充分考慮指標貢獻度，降低采集數(shù)據(jù)成本。此方法適用于小樣本、復雜多因素評價，評價精度較高，能為煤礦安全風險管理提供決策依據(jù)和理論指導，從而有效降低煤礦安全事故。