基于复杂网络理论的水利工程人为风险分析

冯继伟 孙开畅 颜鑫

摘要：确定各种人为因素对水利工程风险系统的影响可降低水利工程风险率。根据已有事故数据，采用模糊认知图理论建立水利工程事故风险致因网络模型，确定各个风险因素之间的关系，并利用复杂网络理论中节点的度、路径的平均长度、网络模型的直径、聚类系数、中介中心性等网络分析指标分析整个风险网络，确定风险系统中的关键因素及各因素的影响关系。结果表明：直觉与决策差错、人员素质、操作违规是影响整个水利工程风险系统主要的因素;直觉与决策差错因素受到水利工程风险因素系统中多个风险因素的影响，在整个水利工程中致因网络结构中风险率较高，应从源头上防范该因素在水利工程风险体系中的影响;复杂网络理论可以有效地对水利工程建设过程整个风险系统进行分析，具有一定的适用性。

关 键 词：水利工程; 人为风险; 复杂网络理论; 模糊认知图; 因素分析; 致因网络模型

中图法分类号：  TV513

文献标志码：  A

DOI： 10.16232/j.cnki.1001-4179.2022.03.024

   0 引 言

近年来，随着生产技术的发展以及人们对安全生产的重视，各种安全事故逐渐减少，但是由于事故原因的复杂性及多样性，将事故发生的可能性降低为零几乎很难实现。因此，研究整个工程风险系统，找出影响系统风险的关键因素，分析风险因素之间的关联一直是水利工程风险分析的研究重点  [1] 。

基于此，近年来出现了利用复杂网络理论  [2-3] （Complex Networks Theory，CNT）的拓扑特征揭示系统因素的方法。其中，花玲玲等  [4] 利用复杂网络理论对263份铁路事故数据结构进行分析，构建了影响铁路事故的网络结构图模型，找出了各个风险因素之间的相互作用关系并分析了影响整个铁路事故风险系统中的关键因素。汪送  [5] 对决策试验评价实验室方法（DEMATEL）进行了改进，建立了基于改进DEMATEL方法的复杂系统下事故致因网络系统，确定了影响航空飞行安全的关键性因素。徐青等  [6] 将复杂网络理论与DEMATEL相结合，构建了影响铁路施工事故的结构网络模型，对网络结构模型进行了分析，计算出了影响事故因素的分类分层模型。

上述研究表明，复杂网络理论对于网络风险因素的分析有较好的效果，但将复杂网络理论与模糊认知图下水利工程致因网络相结合的研究不够深入。本研究将复杂网络分析方法引入到模糊认知图下的网络致因结构分析中，结合修订的人为因素分析与分类系统  [1] （HFACS），旨在找出影响水利工程的关键风险因素和各因素的影响关系，为水利工程事故风险系统分析提供理论依据。

1 复杂网络理论

复杂网络理论是一种基于图论的图形理论，利用它能够对复杂因素关系进行抽象、建模、分析  [7] ，复杂网络用节点表示网络系统内部的各个因素，用边表示各个元素之间的关联关系。水利工程风险是多种因素相互作用共同影响的结果，因此，可以将水利工程风险抽象为一个复杂的网络系统，利用复杂网络结构理论对水利工程风险系统进行分析，可以得到各因素之间的关系，复杂网络理论分析指标包括：

（1） 节点的度。与该风险因素节点相连接的边的条数。一般的有向网络图中包括因素的入度和出度。

（2） 网络直径（network diameter）和平均路径长度（average path length）。网络直径表示整个网络分析体系中任意两个节点间距离的最大值;平均路径长度表示网络系统中的所有节点对沿最短路径的平均步数的数值大小。

（3） 聚类系数（clustering coefficient）。用于描述复杂网络结构网络图中的节点之间集结程度的系数;局部节点聚类系数则是表示单个节点附近的点的集聚状态。

（4） 中介中心性（betweeness centrality）。系统网络图形结构中经过某两个点并连接这两点的最短路径与这两点之间的最短路径线总数之比。

2 水利工程风险网络构建

2.1 人为风险因素识别

从水利工程安全管理的角度进行分析，人是影响水利工程安全风险系统的第一因素  [8] 。为保障水利工程的系统安全，降低人为影响因素风险概率，必须对影响水利工程事故风险系统的人为因素进行分析和辨别，其中人为因素分析与分类系统（HFACS）方法是一种专门用来处理人为因素数据之间关系的工具，它能够相对较好地挖掘出各个因素之间的外在和内在的联系。

水利工程风险体系框架以《水利水电工程施工安全风险管理》  [1] 为依据，利用HFACS风险分析框架，根据水利工程实际情况进行修订。本文中，指标依据前期成果，形成过程如下：借鉴HFACS模型中对民航及航空航天事故层次分析框架，水利工程HFACS模型将导致最终结果的因素按照不安全行为、不安全行为前提、不安全监督以及组织管理4个层次结构进行划分，从企业组织影响、安全监管、不安全行为的前提条件、施工人员的不安全行为4个层面对水利工程事故进行分析，然后根据美国运筹学家T.L.Saaty提出的层次分析法中的目标层、准则层、底层，对各个准则层细分出底层影响因素。

首先通过数据搜集、专家论证、调查问卷等方式将实际的风险确定为双层4类68个指标。之后利用分析工具对指标进行修订，包括利用贝叶斯理论、卡方检驗、结构方程等方法对水利工程案例进行分析，最终将68个指标修正到12个，形成最终的指标体系，如图1所示。

2.2 事故致因网络模型构建

利用模糊认知理论  [9-11] 对风险因素体系进行构建。模糊认知图的拓扑结构由三元组合而成  U ={C，V，W}。其中： C ={c 1，c 2，c 3，…c n}是概念节点的集合，表示为整个水利工程风险系统因素。 V ={（c i，c j）|c i，c j∈C}是所有概念节点弧的集合，（c i，c j）表示节点c i和c j之间有逻辑关系上的影响或者因果关系。W：（c i，c j）→ω  ij 为因素之间的相互影响关系，即因素c i对因素c j的关联关系。ω  ij >0，表示c i和c j的逻辑关系是正相关;ω  ij =0，代表c i和c j之间无任何影响关系。 W  指整个系统的权重值，可以用式（1） 表示整个水利工程风险系统的因果权重关系。

W =  ω  11  … ω  1n  ω  21  … ω  2n    ω  n1  … ω  nn

=  0 ω  12  0 0 0 ω  23  ω  31  0 0   （1）

在构建风险因素的关联关系模型前，对节点间的因果逻辑关系  [12-13] 进行判断。本文根据Kosk的理论  [14] ，在历史案例的基础上，邀请专家对两个节点之间的相伴关系进行判断，如果80%的专家认为一个节点随着另一个节点变化或者两个节点之间存在时间的先后顺序，则认为两者存在因果关系。

针对每一条有向弧的影响权重 ω  ij  ，专家对各个因素关系进行打分，利用打分权重函数计算公式（2），得出最终的权重：

F N=e 1s 1+e 2s 2+…+e is i （2）

式中： F N表示第N條有向弧;e i表示整体的权重值;s i表示第i个 专家对给出的具体数值归一化后的结果，整合得到两个节点最终的影响权重。

利用模糊认知图理论中特定的推理机制  [15-16] ，通过前一个时刻点的风险因素状态对下一个时刻点的风险因素状态进行分析，进而可以明确风险因素的状态变化情况。事故风险因素系统的状态变化是由各个风险因素的状态变化引起的;同时，每个风险因素的变化也受到其他因素的影响，是各种条件共同作用的结果。利用演化机制模型对整个风险因素网络进行演化分析，风险原因节点的状态通过有向权重弧对结果风险节点的状态产生影响进而实现演化过程。在有向弧的权重为确定的情况下，某一个时刻的风险因素状态由上一刻该风险因素节点的状态和对影响该节点的原因节点的状态值共同决定，通过对各个节点进行演化计算，水利工程事故风险系统中的各个节点状态最终会趋于稳定，则整个风险因素网络结构达到最终相对稳定模式。

3 水利工程风险案例分析

3.1 水利工程事故致因网络构建

以长江干流3个大型水利工程（三峡、向家坝、溪洛渡）在2009～2014年发生的32起水利工程事故作为依据，表1对部分事故案例进行了简要描述。

利用模糊认知理论  [13] 对风险因素进行构建，根据影响因素之间的关系可以得到基于32起轻伤以上事故的模糊认知图，如图2所示。影响权重如式（3）所示。根据复杂网络理论，将各个因素视为独立的节点，节点间的连线表示节点的相关关系，最终得到的事故风险致因网络模型包括12个节点、24条边。

3.2 复杂理论风险因素分析

针对施工网络中的安全影响因素风险率进行动态演变分析。通过调查历史案例、汇集专家意见等手段将水利施工系统网络转化为风险因素关联模型，即完成水利施工网络经典认知图向模糊认知图的转换。根据水利工程人为因素致因网络图，利用复杂网络理论  [17] 进行分析，大多数风险因素会受到其他多个因素的影响，证明了事故发生是多个因素相互耦合作用的结果。同时，各个风险 因素之间也存在相互影响的关  系，它们共同构成了整个水利工程的人为风险系统，利用复杂网络理论对人为风险系统进行分析，能够明确风险之间的关系，采取一定的手段，可以降低事故发生的概率进而增强整个系统的抗风险能力。

3.3 节点的度

复杂网络体系下各个节点的度如图3所示。由图3可知，影响因素 c 6，c 9，c 8，c  11  具有较大的度，分别为6，6，5，5， 说明这些因素容易受到其他因素的影响;同 W =  0 0 0 0 0.550 0 0 0.566 0 0 0.728 0 0 0 0 0 0 0.792 0.572 0 0.540 0 0.372 0 0 0 0 0.348 0 0 0 0.202 0.434 0 0 0 0 0 0 0 0 0.376 0.400 0 0 0 0 0 0 0 0 0 0 0 0 0 0.388 0.490 0 0 0 0 0 0 0 0 0 0.450 0.576 0.436 0 0.416 0 0 0 0 0 0 0 0 0 0 0 0.640 0 0 0 0 0 0 0 0 0 0.384 0.166 0 0 0 0 0 0 0 0 0 0 0 0.530 0.594 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.412 0 0 0 0 0 0 0 0 0 0 0 0 0 0   （3）

时也说明这些因素对整个水利工程风险系统的影响较大，即作业计划和人员素质是对整个风险系统影响最大的因素，与它们相关联的风险因素多且复杂，可能存在因为某个因素的变动导致整个系统的崩溃。

3.4 网络直径和平均路径长度

本文构建的水利工程致因网络的直径为3，平均路径长度为1.5，表明每个事故发生通过2步就可以连接到事故，说明各个因素之间紧密联系，因此，需要整体地考虑各个因素之间的关系，建立其科学有效的应急救援机制，才能有效控制事故的发生。

3.5 聚类系数

聚类系数表现水利工程网络中的各个风险因素节点的聚集程度的量，构建水利工程致因网络结构的平均聚类系数为0.097。各个节点的聚类系数如图4所示，从图4中可以看出， c 1，c 5，c  11 ，c  12  的聚类系数最大，表明这几个节点与周围节点的联系比较密切，所以，在对这几个事故因素进行处理的时候需要特别注意它们与相邻节点可能存在的联系，否则，可能会因为一个节点发生变化而导致一连串的连锁反应，影响整个风险系统。

3.6 中介中心性

根据水利工程致因网络图，可以得出影响各个风险因素的中介中心度如图5所示，其中节点 c 1，c 5，c 9，c  11 ，c  12  的中心中介中心度为0，说明这几个节点没有在其他节点的交互中作為中间节点。6和8节点具有较高的中介中心度，说明这两个节点对整个网路的影响较大，要重点地切断风险在这两个因素间的传播，避免事故的发生。

4 结 论

（1） 通过复杂网络理论对水利工程致因网络模型进行了分析。其中，平均路径长度和聚类系数的数值相对较小，表明一旦该风险系统中的某些风险因素发生变化，可能将很快影响到整个水利工程系统体系。

（2） 作业计划安排、人员素质对整个水利工程风险系统影响较大，需要特别注意这些因素;控制中介中心性大的因素（作业计划安排和技术措施）可以有效切断风险在整个水利工程系统中的传播。

（3） 利用复杂网络理论对水利工程风险体系进行分析，能够有效地确定整个风险体系的关键因素，确定风险关系，进而采取针对性措施降低水利工程系统风险。

参考文献：

[1]  孙开畅，周剑岚.水利水电工程施工安全风险管理[M].北京：中国水利水电出版社，2013.

[2] WATTS D J，STPOGATZ S H.Collective dynamics of ‘small-world’ networks[J].Nature，1998，393（6684）：440.

[3] BARABASI A L，ALBERT R.Emergence of scaling in random networks[J].Science，1999，286（5439）：509-512.

[4] 花玲玲，郑伟.基于复杂网络理论的铁路事故致因分析[J].中国安全科学学报，2019，29（增1）：114-119.

[5] 汪送.复杂系统安全事故致因网络建模分析[J].中国安全科学学报，2013，23（2）：109-116.

[6] 徐青，何松，魏可可，等.基于复杂网络理论的地铁深基坑施工事故致因研究[J].安全与环境工程，2017，24（1）：152-157，161.

[7] 汪小帆，李翔，陈关荣.复杂网络理论及其研究[M].北京：清华大学出版社，2006：1-130.

[8] 张力，王以群，邓志良.复杂人-机系统中的人因失误[J].中国安全科学学报，1996，6（6）：35-38.

[9] 彭珍，田立勤，吴静，等.基于大型模糊认知图的复杂系统建模与推理研究[J].计算机科学，2013（6）：203-210.

[10]  张燕丽，刘晓东.模糊认知图权值学习法[J].小型微型计算机系统，2013，34（5）：1147-1153.

[11] 张燕丽.基于模糊认知图的动态系统的建模与控制[D].大连：大连理工大学，2012.

[12] 孙开畅，李权，尹志伟.水利工程高危作业人因评价体系中的认知图理论研究[J].中国安全生产科学技术，2016，12（12）：128-132.

[13] 孙开畅，颜鑫，马文俊.水利工程施工安全影响因素风险率的动态演变分析[J].水利水电技术，2018，49（11）：103-108.

[14] KOSKO B.Fuzzy cognitive maps[J].International Journal of Man-machine Studies，1986，24（1）：65-75.

[15] 何媛，吴乐.基于属性网络表示学习的链接预测算法[J].合肥工业大学学报（自然科学版），2020，43（11）：1482-1486.

[16] 何媛.基于属性网络的深度特征学习算法研究[D].合肥：合肥工业大学，2019.

[17] 王济彬.复杂网络的相似度表示及应用算法研究[D].长沙：湖南大学，2019.

（编辑：黄文晋）

Human risk analysis of water conservancy projects based on complex network theory

FENG Jiwei 1，SUN Kaichang 1，YAN Xin  1，2

（ 1.School of Hydraulic & Environmental Engineering，China Three Gorges University，Yichang 443002，China; 2.China Water Resources and Hydropower Eleventh Engineering Bureau Co.，Ltd.，Zhengzhou 450001，China ）

Abstract：

In order to determine the impact of various human factors on the overall water conservancy project risk system，and reduce the risk rate of water conservancy projects，based on the existing accident data，the fuzzy cognitive graph theory was adopted to establish a network model of risk causes of water conservancy project accidents，and the relationship between each risk factor was determined.In complex network theory，network analysis indices such as node degree，average length of path，diameter of network model，clustering coefficient and intermediary centrality were used to analyze the whole risk network and determine the key factors in the risk system and the influence relationship of each factor.The results show that intuition and decision errors，personnel quality and operational violations are the most important factors affecting the entire water conservancy project risk system.Intuition and decision errors factor is affected by multiple risk factors in the water conservancy project risk factor system.The risk rate in the network structure is high in the entire water conservancy project，and the influence of this factor should be prevented from the source.The complex network theory can effectively analyze the entire risk system of the water conservancy project construction process and has certain applicability.

Key words：

water conservancy project;human risk;complex network theory;fuzzy cognitive graph;factor analysis;network model of risk causes