基于嶺回歸的電力生產嚴重違章產生因素的影響程度分析

繆通，李捷，和振芳，劉爭明，鎖帥

（云南電網有限責任公司紅河供電局，云南 紅河 661000）

0 前言

隨著新《安全生產法》《刑法修正案（十一）》實施，依法治安迅速推進，國家對電力企業安全生產提出了更高要求，安全生產需要更嚴格的全面監管。目前，電力生產過程中的嚴重違章是作業人員最有可能直接發生傷亡的行為，YN電力公司結合傳統的違章人員駐點監督以及可視化監督，加強了對嚴重違章的監督手段和力度，并配置了相應的監督資源。但目前根據作業風險等級傾斜監督資源的做法存在弊端，一是作業現場人員監督管控重疊，浪費監督資源；二是缺乏對嚴重違章產生根源的合理性判別依據，以致不能合理調配有限的監督資源，造成舍本逐末。為了緩解監督資源短缺和監督資源調配不當的問題，減少隨機式、樣本式抽查監督的弊端，需要研究嚴重違章產生因素的影響程度，為合理調配監督資源提供依據。研究多個自變量對因變量影響程度通常使用線性回歸進行分析，回歸分析中一般采用最小二乘法估計模型的參數，但實際分析過程中，由于施工人員類別、資質及作業風險量化的數據間存在共線關系,如果運用最小二乘法估計模型的參數,可能部分參數會存在異常，不能反映客觀實際。嶺回歸可以較好地解決這一問題,回歸的系數可以客觀反映自變量與因變量的關系,符合客觀現實,在許多領域得到了廣泛應用。因此，本文采用嶺回歸分析承包商作業、無三種人資質作業及高中風險作業對YN電力公司發生嚴重違章的影響程度，并利用回歸結果提出監督資源的調配依據。

1 嶺回歸分析原理

嶺回歸是一種專用于共線性數據分析的有偏估計回歸方法，是對最小二乘估計法的優化，它通過放棄最小二乘法的無偏性優勢，以損失部分信息、降低擬合精度為代價，換來回歸系數的穩定性，回歸系數更符合客觀實際，更為有效可靠，對病態數據的擬合要優于最小二乘法。

多元線性回歸模型可表示為：

式中：Y表示因變量；X是自變量；β是回歸系數；ε是誤差。

回歸系數β的值采用最小二乘法可表示為：

當自變量之間的線性相關性比較大時，XTX的行列式接近于0，即XTX接近于奇異，此時，計算(XTX)-1時誤差會很大，傳統的最小二乘法缺乏穩定性與可靠性。也就是樣本數據存在個別病態數據，就可能導致回歸系數β產生很大的偏差，此時，回歸系數無法客觀的反映自變量對因變量的影響。嶺回歸優化的具體方法就是讓殘差的平方加上一個正則化項，即 ||Xβ-Y||2+||kIβ||2,使矩陣的特征值變大，提高回歸系數β的穩定性。使得分析結果能更貼近于實際。于是回歸系數β求解的表達式為：

式中：I為單位矩陣；k為嶺回歸系數，隨著k值的增大，共線性對因變量的影響逐漸減小，但k值的不斷增大也會使預測的偏差逐漸變大，因此選擇恰當的k值極為重要，β隨著k值的改變而變化的軌跡，就稱為嶺跡。實際計算中可選非常多的k值，做出一個嶺跡圖，看看該圖在取哪個值的時候變穩定了，那就確定k值了。嶺回歸是對最小二乘回歸的一種補充，它損失了無偏性，來換取高的數值穩定性，從而得到較高的計算精度。

2 嚴重違章產生因素影響程度分析

電力生產中發生嚴重違章的因素大致為員工安全意識差、員工安全技能水平低、監管力度薄弱，此外，較高風險的作業也容易發生嚴重違章行為。其中合理調配監管力度是本研究的目的，所以選取員工安全意識低、員工技能水平差、和作業風險三個方面開展分析。秉著可量化分析的原則，本文選取YN電力公司2021年度發生嚴重違章的346天里共58179起違章數據進行分析。考慮到承包商員工流動性較高，安全教育時長少且人員不穩定，安全意識總體而言較之員工隊伍穩定的系統內員工低，員工安全意識差用每天承包商違章數量來表征；電力生產施工作業資質有很多，其中體現安全技能水平的三種人資質尤為重要，安全技能水平低用每天無三種人資質違章數量來表征；在YN電力公司里作業風險分為高、中、低、可接受風險，此處較高風險的作業用每天高、中風險作業違章數量來表征。

設每天承包商違章數量、每天無三種人資質違章數量、每天高中風險作業違章數量分別為X1、X2、X3，每天嚴重違章數量為Y，建立X和Y的線性回歸方程，即：

2.1 最小二乘法回歸分析

以YN電力公司2021年度發生嚴重違章的346天里違章數據為樣本，通過最小二乘法計算回歸系數β值，運用SPSS數據分析工具，計算得出β1、β2和β3，如表1所示。

表1 最小二乘法線性回歸分析結果

從表1分析模型的顯著性，如果呈現顯著性（P值小于0.05，嚴格需小于0.01），結果中F=166.957，顯著性P值為0.000，模型呈現顯著性，表明自變量承包商違章數、無三種人資質違章數、高中風險作業違章數與嚴重違章數之間存在著明顯的線性關系。同時模型的擬合度R2（代表曲線回歸的擬合程度，越接近1效果越好）為0.594，模型表現較好。但β3為負值，說明高中風險作業違章數與嚴重違章數負相關，與實際情況不符，風險越高的作業現場越容易發生嚴重違章，因此，高中風險作業違章數與嚴重違章數應該呈現正相關。此種情況的出現,主要是三個自變量數據之間存在共線性，表1中VIF值代表多重共線性嚴重程度，用于檢驗自變量之間是否存在高度相關的關系（VIF應小于10或者5，嚴格為5），上表分析結果中承包商違章數、無三種人資質違章數、高中風險作業違章數的VIF分別為23.8、7.3、12.3，均大于5,說明3個自變量間存在明顯的相關性。此時，用最小二乘法計算回歸參數進行分析,就無法客觀的反映3個自變量對發生嚴重違章的影響程度。

2.2 嶺回歸分析

首先將樣本數據按式（4）進行標準轉化，然后按照嶺回歸算法計算回歸系數。設定迭代步長取0.01，以確定最恰當的嶺回歸系數k值。運用SPSS分析工具，得到嶺跡圖，如圖1所示。

從圖1可得，當k逐漸增大時，各自變量嶺回歸系數趨于穩定，根據方差擴大因子法，確定k值為0.101，即最佳嶺回歸系數。嶺回歸分析結果如表2所示。結果中顯著性P值為0.000***，模型呈現顯著性，表明自變量承包商違章數、無三種人資質違章數、高中風險作業違章數與嚴重違章數之間存在著明顯的線性回歸關系。同時模型的擬合度R2為0.585，模型表現較好。3個自變量的回歸標準化系數分別為β1=0.367、β2=0.257、β3=0.132，嶺回歸估計的標準化系數值客觀反映了各自變量對因變量的影響程度，由于β1＞β2＞β3，說明導致嚴重違章發生因素的影響程度從大到小依次為承包商違章數、無三種人資質違章數、高中風險作業違章數，這一結果與YN電力公司的實際情況相符。對排序結果分析，①承包商作業，大部分承包商對下屬員工安全培訓不足、監管不嚴，該類員工違章頻發多發，是發生嚴重違章的主要群體；②無三種人資質作業，未取得三種人資質的員工普遍安全技能水平較低，實際施工中均是在具有三種人資質的人員帶領下開展作業，大部分安全經驗不足；③高中風險作業，值得注意的是高中風險作業對發生嚴重違章的影響程度最低，一是表明高中風險作業監督力度大，發生嚴重違章的可能性不高，二是YN公司高中風險的定級可能存在不夠準確的情況，由于風險定級存在很大的主觀性，數據難以客觀量化，本文暫不做討論。

圖1 嶺跡圖

表2 最小二乘法線性回歸分析結果

3 結束語

研究了YN電力公司違章中承包商作業、無三種人資質作業及高中風險作業對發生嚴重違章的影響程度，研究表明對發生嚴重違章影響程度最大的是承包商作業，影響程度最小的是高中風險作業。因此，在進行監督資源調配時要增大對承包商作業的監督力度，在確保風險定級準確的情況下適當減少對高中風險作業的監督力度，從而實現監督資源的合理分配，提升對各種作業現場的監督效能。