基于5M1E的鐵路貨運作業安全風險關聯推理研究

葉 飛，劉啟鋼，石 磊，孫文橋，楊 瑜，金 晶

(1.中國鐵道科學研究院 研究生部，北京 100081；2.中國鐵道科學研究院集團有限公司 運輸及經濟研究所，北京 100081；3.中國國家鐵路集團有限公司 貨運部，北京 100844)

鐵路貨運安全是鐵路貨運組織的紅線和底線,是確保鐵路貨運增量,推動鐵路高質量發展的基礎支撐[1]。鐵路貨運安全是復雜、龐大的巨系統工程,包括多場景下設備、人員、貨物、管理、環境等多種安全風險因素,運輸集裝箱、卷鋼等非危險貨物時具有事故概率低但損失巨大、影響范圍小但聯鎖反應復雜等特點,運輸爆炸、易燃、毒害、感染、腐蝕、放射性等危險特性的危險貨物時,更容易造成人身傷亡、財產損毀或者環境污染[2]。因此,如何根據鐵路貨運復雜場景,解釋鐵路貨運安全事故形成機理,準確定位事故鏈中潛在關鍵風險源,實現鐵路貨運安全風險精準治理成為急需解決的科學問題。

長期以來,許多學者圍繞鐵路貨運安全風險監測、風險評價、因素分析等進行了大量的研究。在安全風險監測方面,杜倫平等[3]提出一種基于單目視覺三維重建的貨運列車超限檢測方法,通過單目視覺三維重建算法對獲取的序列圖像進行三維點云建模,轉換為目標貨運列車若干橫截面二維點云圖形,與標準界限圖形對比計算獲得超限狀態信息。蔣薈等[4]提出構建車站級、車務段(直屬站)級、鐵路局級和中國鐵路總公司級4級系統的鐵路貨運計量安全檢測監控系統,實現貨物裝載狀態全程追蹤與監控。在風險評價方面,韓梅等[5]為量化鐵路超限貨物運輸安全風險并識別薄弱環節,提出一種基于事故樹和模糊貝葉斯網絡的超限貨物運輸風險評估方法,在確定超限貨物運輸影響因素的基礎上構建事故樹,并將其映射為貝葉斯網絡。張華鋒[6]利用網格化對車務系統現場職工進行精準定位、歸類,并以致災因子為核心,利用創新的三維風險評估矩陣模型及改進的系統動力學模型,提出了一種車務系統職工安全行為風險網格化管控方法。在風險因素方面,彭麗宇[7]提出將鐵路的風險影響指標體系與事故-風險本體中的風險源相關概念相對應,完成鐵路貨運運營風險影響指標權重的知識化,確定鐵路貨運運營風險影響指標,包括人員對應、管理對應、環境對應與裝備對應4組映射規則。部分學者[8-10]圍繞貨運場站安全、運輸安全等方面探討了人員、設備、貨物等貨運安全風險影響因素。

從當前研究現狀來看,學者對鐵路貨運安全的致因分析和演化規律研究較少。本論文在鐵路貨運安全風險影響因素研究的基礎上進行改進,主要包括:①按照5M1E的要素分類思路,系統梳理鐵路貨運安全風險影響因素;②按照影響因素-動作狀態-事故隱患思路,以博德和羅夫特斯構建的事故致因鏈模型為基礎,構建基于5M1E的鐵路貨運事故致因模型,系統揭示鐵路貨運安全事故致因組成及演化過程;③考慮直接因素、間接因素構建鐵路貨運安全風險影響因素、動作狀態、事故隱患的推理規則,結合S鐵路公司2017—2018年貨運安全事故及險兆事件,運用Apriori算法進行計算,并通過實例分析驗證了方法的有效性。

1 鐵路貨運作業安全影響因素分析

全面質量管理理論認為,生產管理中的6大要素為人(man)、機(machine)、料(material)、法(method)、測(measurement)、環(environment),簡稱5M1E,這6大要素概括了生產管理體系中所有的相關因素,從這6方面著手就能解決所有生產管理相關的問題[11]。基于5M1E的鐵路貨運安全風險影響因素組成見圖1。

圖1 基于5M1E的鐵路貨運安全風險影響因素組成

1)人員因素。主要指鐵路作業人員、社會作業人員和非作業人員的不安全行為或狀態所產生的風險。鐵路作業人員是指貨運員、貨檢員、裝卸司機、司索工、裝卸工等鐵路企業作業人員;社會作業人員是指參與鐵路現場裝卸作業的社會企業裝卸司機、裝卸工、駐場人員等社會企業作業人員;非作業人員是指除鐵路作業人員、社會作業人員以外的人員,包括管理人員、參觀人員、誤入人員等。

2)設備因素。主要指貨運設施、貨運設備、移動裝備的不安全行為或狀態所產生的風險。貨運設施是指倉庫、雨棚、堆場等鐵路貨運作業設施;貨運設備是指門吊、叉車、地牛、抑塵等貨運設備;移動裝備主要是指鐵路機車車輛、汽車車輛,負責運輸和配送功能。

3)物料因素。主要是指貨物裝載加固材料、貨車門窗加固材料和其他貨運作業物料的不安全狀態所產生的風險。貨物裝載加固材料是指鍍鋅鐵線、盤條、鋼絲繩和鋼絲繩夾、固定捆綁鐵索、稻草遮擋等用于貨物裝載加固的材料及裝置;貨車門窗加固材料是指用于車門、車窗封堵的泡沫膠、鍍鋅鐵線等加固材料及裝置;其他貨運作業物料是指粉筆、卷尺、電工刀、鐵錘等物料。

4)方法因素。主要是指技術規章、管理制度和作業規范的規范性不足所產生的風險。技術規章是指《鐵路貨物運輸管理規則》《鐵路貨物運輸規程》《鐵路貨運檢查規則》等規章制度。管理制度是指鐵路貨運管理、安全管理、經營管理等日常工作的管理辦法。作業規范主要是指導各貨運職名工種開展生產作業的崗位指導書。

5)環境因素。主要是指場站作業環境、在途運輸環境和貨物裝載環境的不安全狀態所產生的風險。場站作業環境是指鐵路貨場、物流基地、貨檢站等場站內作業環境。在途運輸環境是指在鐵路區間運輸狀態的環境。貨物裝載環境是指鐵路貨車車輛內或集裝箱內貨物的裝載環境。

6)測量因素。主要指貨物交接檢查、貨物受理檢查和在途貨運檢查的不安全行為或狀態所產生的風險。貨物交接檢查是對專用線運輸貨物所開展的交接檢查,對貨物數量、重量、形態及其裝載狀態進行檢查。貨物受理檢查是對鐵路貨運場站受理貨物開展的狀態檢查。在途貨運檢查是運用視頻監控、計量安全檢測等設備手段,對鐵路貨車裝載狀態進行檢查。

此外,貨物自身狀態變化也是鐵路貨物運輸重要風險點,如輪式履帶式貨物的活動部位及附屬物開啟、旋轉、墜落,以及危險貨物因環境變化發生泄露、燃燒、冒氣等問題。從鐵路受理承運角度考慮,應在辦理條件審核、裝載方案制定、加固措施實施等環節進行了詳盡的風險防控。因此,貨物自身狀態變化造成的安全隱患,可納入物料因素考慮范圍。

2 事故致因模型構建

2.1 流程分析

鐵路貨運作業主要安全風險環節見圖2,主要包括發站裝車作業安全、途中運輸狀態安全和到站卸車作業安全3部分。發站裝車作業安全部分,主要有混裝貨物安全檢查、貨物檢斤驗貨、集裝箱裝卸司索、裝載加固方案核實、實施貨物裝載加固、貨車裝載狀態檢查、專用線交接檢查等風險環節;途中運輸狀態安全部分,主要有貨車裝載超限狀態檢查、超偏載檢測、貨車裝載可視部位視頻檢查和其他應檢查事項等風險環節,其他應檢查事項包括押運人員檢查、貨車車號核對等內容;到站卸車作業安全部分,包括集裝箱裝卸司索、貨物裝卸、專用線交接檢查、貨物交付等風險環節。

圖2 鐵路貨運作業主要安全風險環節

由圖2可知,鐵路貨運作業安全風險具備涉及環節多、要素多、流程長特征,事故發生會波及客運安全、行車安全。結合S鐵路公司2017—2018年貨運安全事故及險兆事件,按照5M1E的因素分類方法,可得出各影響因素在各作業環節的風險項點內容。如人員因素主要指發站裝車作業安全和到站卸車作業安全的各環節產生的與人員相關的風險項點,包括輔助人員違章指揮、司機誤操作、司機違章操作、選車不當、貨物裝載與裝載方案不符、殘貨未清理等由于人員引起的風險項點。

2.2 模型構建

事故致因理論是建立在對眾多典型事故調查分析的基礎上所得的事故發生機理,其目的是協助管理者識別并控制風險源,防止類似事故再次發生[12]。大量研究與實踐已經證明,事故致因模型在安全科學理論研究與事故預防實踐中的重要性。事故致因鏈大體可以分為古典事故致因鏈、近代事故致因鏈和現代事故致因鏈3個階段[13]。在海因里希的事故致因鏈基礎上,博德和羅夫特斯第一次將管理(活動)明確地引入事故致因鏈中,較大程度更新了海因里希的事故致因鏈。基于博德和羅夫特斯構建的事故致因鏈模型,以S鐵路公司2017—2018年鐵路貨運事故及險兆事件情況為基礎,結合鐵路貨運安全管理特征,形成鐵路貨運事故致因機理,基于5M1E的鐵路貨運作業事故致因概念模型見圖3。

圖3 基于5M1E的鐵路貨運作業事故致因概念模型

1)不同場景鐵路貨運事故存在干擾和傳播。一是由于不同鐵路貨運業務場景下的影響因素的風險表達不同,按照場景分析鐵路貨運事故有利于準確把握風險源。鐵路貨運事故按照場景可劃分為貨運場站、貨檢站、專用線、運輸區間等類型。二是由于鐵路運輸客貨共線的系統性、網絡化特征,單一貨運事故可能會引發客運事故、行車事故等其他系統安全事故,即事故存在延伸和升級的特點。

2)不安全動作或狀態由多種因素共同作用。鐵路貨運作業場景下,各因素間存在較為復雜的作用關系。根據博德和羅夫特斯構建的事故致因鏈,方法因素是所有影響因素的根本原因,同時也是導致不安全狀態或不安全動作的直接原因。結合鐵路貨運事故和場景情況可以看出,一是方法因素(根本原因)與其他因素(直接原因)間存在較強的關聯關系;二是人員、設備、物料、方法、環境、測量等因素間存在相互作用的關聯關系。

3)影響因素與事故間存在復雜關聯關系。鐵路貨運安全事故存在單一因素、多因素并發、多因素串聯等多種模式,事故致因方式較為復雜。一是單一因素造成的貨運安全事故,如因設備自身故障造成貨運安全風險或事故;二是多因素并發造成貨運安全事故,如設備故障且人工懈怠,使問題風險未及時處理所產生的事故;三是多因素串聯造成的貨運安全事故,如設備故障、人工懈怠、暴雨暴雪天氣等同時發生造成安全風險未及時處置所產生的安全事故。以某車站發生事故為例,裝車使用的凹形草支墊型號與卷鋼規格不匹配,凹形草支墊規格尺寸、捆扎道數不符合規定,加固線拴接位置有誤,加固后未使用絞棍將加固鐵線絞緊,選用的貨車車地板有破損,車地板殘貨未清理干凈,交接檢查不認真,造成貨物列車出發時貨物竄動,超偏載檢測裝置報警機后第13位前偏重19 t,影響本列1 h。所形成的事故致因概念模型見圖4。

圖4 事故致因概念模型示例

由圖4可知,鐵路貨運事故涉及影響因素眾多且相互關系復雜,揭示事故與因素間、因素與因素間的關聯關系,對豐富和完善鐵路貨運事故致因模型,提升鐵路貨運本質安全管理水平具有重要意義。

3 風險關聯分析及規則挖掘

基于5M1E的鐵路貨運事故致因模型形成事故鏈描述方法,能夠將風險影響因素與事故隱患之間人的不安全行為或物的不安全狀態進行準確提取,更有利于事故隱患傾向判斷。進一步從鐵路貨運事故隱患數據庫找出鐵路貨運安全事故與多影響因素間的關聯規則,有利于前置環節風險管控。關聯規則挖掘基本模型見圖5。

圖5 關聯規則挖掘基本模型

其中,數據預處理環節是按照統一、標準的數據格式,將逐項事故數據分解為影響因素、動作狀態、事故隱患;算法分析環節是采用Apriori算法,通過逐層搜索迭代的方式逐步從低維頻繁項集獲取高維頻繁項集,即頻繁K-項集的生成來源于對已有的頻繁(K-1)-項集的推算,最終得到符合最小支持度和置信度的風險關聯規則。

3.1 推理規則分析

在鐵路貨運安全事故鏈信息中,管理決策者關注的是影響因素與動作狀態、動作狀態與事故隱患的關聯關系。其中,影響因素分為間接因素和直接因素,在日常事故分析中主要強調的是直接因素(即極其重要的因素),需要對其進行風險規避與管控;間接因素會影響和誘發直接因素的風險升級,需要對其進行有效的風險防范[14-16]。但在事故鏈中,對某一影響因素而言,即可以是直接因素,又可以是間接因素,即兩者間存在交集,無法直接建立事故鏈關系。為有效表達間接因素對事故隱患的影響,按照影響因素、直接因素分別與動作狀態、事故隱患進行關聯分析。因此,管理決策者感興趣的規則為:影響因素、動作狀態與事故隱患,直接因素、動作狀態與事故隱患。關聯規則的基本定義描述如下:

通過分析S鐵路公司2017—2018年鐵路貨運安全事故及險兆事件數據可知,記錄的安全事故或隱患問題最多有4項影響因素。因此,本文關聯規則中影響因素數量最多設置為4。不同因素下的關聯規則描述如下。

1個因素

(1)

2個因素

(2)

3個因素

(3)

4個因素

(4)

式中:n′=(1,2,3,…n);n″=(1,2,3,…n);n?=(1,2,3,…n);n″″=(1,2,3,…n);l′=(1,2,3,…l);s′=(1,2,3,…s)

式( 1 )闡述了僅一項影響因素條件下出現人的不安全行為或物的不安全狀態,進而造成事故隱患的關聯規則,該項影響因素為直接影響因素;式( 2 )闡述了2個因素條件下出現人的不安全行為或物的不安全狀態,進而造成事故隱患的關聯規則,雙因素由一項直接影響因素和一項間接影響因素組成;式( 3 )闡述了3個因素條件下出現人的不安全行為或物的不安全狀態,進而造成事故隱患的關聯規則,3個因素由一項直接影響因素和2項間接影響因素組成;式( 4 )闡述了4個因素條件下出現人的不安全行為或物的不安全狀態,進而造成事故隱患的關聯規則,4個因素由一項直接影響因素和3項間接影響因素組成。

3.2 Apriori算法實現

關聯規則挖掘就是從現存數據庫中找到所有的頻繁模式,再從頻繁模式中找到強關聯規則[17-18]。Apriori 算法是Agrawal等于1994年提出的,通過采用逐層搜索的策略,由頻繁k項集不斷探索k+1項集,直到不能再形成候選項集為止,算法即結束。

T={T1,T2,T3,…,Tu}是任務相關的事務數據庫集合,即S鐵路公司2017—2018年貨運安全事故及險兆事件問題,每個事務是一個非空項集(項的集合成為項集,包括k個項的項集成為k項集),且T?I(1≤k≤u)。

設A(A?T)和B(B?T)都是一個項集,且滿足A?I,B?I,A≠?,B≠?,A∩B=?,關聯規則就形成如“A?B”的蘊含式,A為蘊含式的前件,B為蘊含式的后件,每條關聯規則都要求出對應項目集的支持度和置信度。

項目集的支持度是事務數據庫中包含該項集的事務占比,是用來衡量關聯規則重要性的關鍵量,支持度越高,則關聯規則越重要。如,A?B支持度Ssupport為

項目集的置信度是用來衡量關聯規則可靠性的關鍵參數,置信度的高低代表關聯規則可信程度的高低。如A?B置信度Ccon為

Ccon(A?B)=Ssupport(A∪B)/Ssupport(A)

(5)

由式( 5 )可知,置信度容易由支持度導出,因而關聯規則的挖掘很大程度上受頻繁模式的挖掘效率影響。

3.3 事故隱患數據處理

S鐵路公司每月發布的安全情況通報中,對當月發生的貨運相關安全事故及主要問題進行通報。每條事故或問題隱患的描述,主要包括時間、地點、車站、主體、原因、過程、結果等信息。從月度安全通報中看出,不同事故或問題隱患的描述存在表達差異,對原因描述部分采用主要原因、次要原因,部分采用主要責任、次要責任,部分未明確主要和次要關系[19]。因此,需要對基礎數據進行標準化處理,形成統一的風險隱患庫數據格式見表1。

表1 風險隱患數據格式

4 實例分析

由于鐵路行業具有事故發生率低,但事故損失巨大的特殊性,因此設定關聯規則的挖掘標準為支持度0.001,置信度大于0.25。以S鐵路公司2017—2018年貨運安全事故及險兆事件為基礎,共獲取337條,形成項集,部分事故隱患信息見表2。

表2 S鐵路公司2017—2018年貨運安全事故及險兆事件數據

為便于計算,避免數據為空的單元對計算結果的干擾,對項集中337條數據的空項數據補充無重復的變量。由于計算過程未進行定向去除重復規則,部分規則存在重復項,如{“裝車檢查不到位”,“車輛質量不良”}的支持度為0.059、置信度為0.500、提升度為8.500,{“車輛質量不良”,“裝車檢查不到位”}的支持度為0.059、置信度為1.000、提升度為8.500。考慮支持度越高代表項集出現頻率越高、置信度越高代表關聯性越強,對關聯規則進行去重處理,即相同規則優先保留支持度高的。去除相同規則后,最終共計挖掘53條規則。53條規則中,部分規則見表3。

表3 關聯規則示例

以第一項關聯規則為例,貨物的不安全狀態為“偏重”,其直接原因為“貨物竄動”,間接原因為“編組站違規解編”,該關聯規則支持度為0.063、置信度為0.778,即貨物偏重發生時,編組站違規解編、貨物竄動發生的概率為77.8%。本文提出的基于5M1E的鐵路貨運安全風險關聯推理方法,與當前按字段篩選、查找、統計的風險關聯分析方法相比,能夠按場景精準定位事故致因,有效提升鐵路貨運安全風險識別與防控能力,為科學采取貨運安全專項整治措施提供可靠技術支撐。

5 結論

本文針對鐵路貨運安全風險關聯推理開展研究,提出了基于5M1E的鐵路貨運作業事故致因概念模型,該模型能夠揭示“影響因素-動作狀態-事故隱患”的演化關系,形成鐵路貨運事故鏈描述方法,避免不同場景下因素模糊不清造成的致因難以定位的問題。運用Apriori算法計算影響因素、動作狀態與事故隱患的關聯規則,以S鐵路公司2017—2018年貨運安全事故及險兆事件為基礎,構建包括337條的項集。經過案例計算,得到如下結論:

1)與傳統管理人員進行分類篩選、統計累加相比,本文所述方法能夠快速定位一段時期內鐵路貨運安全事故隱患和影響因素的關聯規則,具備很好的可操作性。

2)本文提出的基于5M1E的鐵路貨運作業事故致因概念模型,能夠揭示“影響因素-動作狀態-事故隱患”的演化關系,準確表達鐵路貨運作業中各生產要素、管理要素在風險傳遞和演化中的作用和功能,能夠為鐵路貨運安全風險管理頂層設計提供理論指導。

3)本文方法充分考慮鐵路貨運作業的風險環節,將貨運檢查、裝車檢查、卸車檢查等檢查風險歸類為測量風險類,便于按環節快速定位貨運安全風險項點。

當前在鐵路貨運持續增量形勢下,鐵路面臨著承運品類多、裝運貨車多、風險項點分散的貨運安全管理形勢,故本文提出的鐵路貨運安全風險管理推理方法,能夠基于歷史數據快速定位該時期內的安全風險隱患苗頭,為鐵路貨運安全事故與隱患的致因分析提供可靠的方法手段和技術支撐。