基于5M1E的铁路货运作业安全风险关联推理研究

叶 飞，刘启钢，石 磊，孙文桥，杨 瑜，金 晶

(1.中国铁道科学研究院 研究生部，北京 100081；2.中国铁道科学研究院集团有限公司 运输及经济研究所，北京 100081；3.中国国家铁路集团有限公司 货运部，北京 100844)

铁路货运安全是铁路货运组织的红线和底线,是确保铁路货运增量,推动铁路高质量发展的基础支撑[1]。铁路货运安全是复杂、庞大的巨系统工程,包括多场景下设备、人员、货物、管理、环境等多种安全风险因素,运输集装箱、卷钢等非危险货物时具有事故概率低但损失巨大、影响范围小但联锁反应复杂等特点,运输爆炸、易燃、毒害、感染、腐蚀、放射性等危险特性的危险货物时,更容易造成人身伤亡、财产损毁或者环境污染[2]。因此,如何根据铁路货运复杂场景,解释铁路货运安全事故形成机理,准确定位事故链中潜在关键风险源,实现铁路货运安全风险精准治理成为急需解决的科学问题。

长期以来,许多学者围绕铁路货运安全风险监测、风险评价、因素分析等进行了大量的研究。在安全风险监测方面,杜伦平等[3]提出一种基于单目视觉三维重建的货运列车超限检测方法,通过单目视觉三维重建算法对获取的序列图像进行三维点云建模,转换为目标货运列车若干横截面二维点云图形,与标准界限图形对比计算获得超限状态信息。蒋荟等[4]提出构建车站级、车务段(直属站)级、铁路局级和中国铁路总公司级4级系统的铁路货运计量安全检测监控系统,实现货物装载状态全程追踪与监控。在风险评价方面,韩梅等[5]为量化铁路超限货物运输安全风险并识别薄弱环节,提出一种基于事故树和模糊贝叶斯网络的超限货物运输风险评估方法,在确定超限货物运输影响因素的基础上构建事故树,并将其映射为贝叶斯网络。张华锋[6]利用网格化对车务系统现场职工进行精准定位、归类,并以致灾因子为核心,利用创新的三维风险评估矩阵模型及改进的系统动力学模型,提出了一种车务系统职工安全行为风险网格化管控方法。在风险因素方面,彭丽宇[7]提出将铁路的风险影响指标体系与事故-风险本体中的风险源相关概念相对应,完成铁路货运运营风险影响指标权重的知识化,确定铁路货运运营风险影响指标,包括人员对应、管理对应、环境对应与装备对应4组映射规则。部分学者[8-10]围绕货运场站安全、运输安全等方面探讨了人员、设备、货物等货运安全风险影响因素。

从当前研究现状来看,学者对铁路货运安全的致因分析和演化规律研究较少。本论文在铁路货运安全风险影响因素研究的基础上进行改进,主要包括:①按照5M1E的要素分类思路,系统梳理铁路货运安全风险影响因素;②按照影响因素-动作状态-事故隐患思路,以博德和罗夫特斯构建的事故致因链模型为基础,构建基于5M1E的铁路货运事故致因模型,系统揭示铁路货运安全事故致因组成及演化过程;③考虑直接因素、间接因素构建铁路货运安全风险影响因素、动作状态、事故隐患的推理规则,结合S铁路公司2017—2018年货运安全事故及险兆事件,运用Apriori算法进行计算,并通过实例分析验证了方法的有效性。

1 铁路货运作业安全影响因素分析

全面质量管理理论认为,生产管理中的6大要素为人(man)、机(machine)、料(material)、法(method)、测(measurement)、环(environment),简称5M1E,这6大要素概括了生产管理体系中所有的相关因素,从这6方面着手就能解决所有生产管理相关的问题[11]。基于5M1E的铁路货运安全风险影响因素组成见图1。

图1 基于5M1E的铁路货运安全风险影响因素组成

1)人员因素。主要指铁路作业人员、社会作业人员和非作业人员的不安全行为或状态所产生的风险。铁路作业人员是指货运员、货检员、装卸司机、司索工、装卸工等铁路企业作业人员;社会作业人员是指参与铁路现场装卸作业的社会企业装卸司机、装卸工、驻场人员等社会企业作业人员;非作业人员是指除铁路作业人员、社会作业人员以外的人员,包括管理人员、参观人员、误入人员等。

2)设备因素。主要指货运设施、货运设备、移动装备的不安全行为或状态所产生的风险。货运设施是指仓库、雨棚、堆场等铁路货运作业设施;货运设备是指门吊、叉车、地牛、抑尘等货运设备;移动装备主要是指铁路机车车辆、汽车车辆,负责运输和配送功能。

3)物料因素。主要是指货物装载加固材料、货车门窗加固材料和其他货运作业物料的不安全状态所产生的风险。货物装载加固材料是指镀锌铁线、盘条、钢丝绳和钢丝绳夹、固定捆绑铁索、稻草遮挡等用于货物装载加固的材料及装置;货车门窗加固材料是指用于车门、车窗封堵的泡沫胶、镀锌铁线等加固材料及装置;其他货运作业物料是指粉笔、卷尺、电工刀、铁锤等物料。

4)方法因素。主要是指技术规章、管理制度和作业规范的规范性不足所产生的风险。技术规章是指《铁路货物运输管理规则》《铁路货物运输规程》《铁路货运检查规则》等规章制度。管理制度是指铁路货运管理、安全管理、经营管理等日常工作的管理办法。作业规范主要是指导各货运职名工种开展生产作业的岗位指导书。

5)环境因素。主要是指场站作业环境、在途运输环境和货物装载环境的不安全状态所产生的风险。场站作业环境是指铁路货场、物流基地、货检站等场站内作业环境。在途运输环境是指在铁路区间运输状态的环境。货物装载环境是指铁路货车车辆内或集装箱内货物的装载环境。

6)测量因素。主要指货物交接检查、货物受理检查和在途货运检查的不安全行为或状态所产生的风险。货物交接检查是对专用线运输货物所开展的交接检查,对货物数量、重量、形态及其装载状态进行检查。货物受理检查是对铁路货运场站受理货物开展的状态检查。在途货运检查是运用视频监控、计量安全检测等设备手段,对铁路货车装载状态进行检查。

此外,货物自身状态变化也是铁路货物运输重要风险点,如轮式履带式货物的活动部位及附属物开启、旋转、坠落,以及危险货物因环境变化发生泄露、燃烧、冒气等问题。从铁路受理承运角度考虑,应在办理条件审核、装载方案制定、加固措施实施等环节进行了详尽的风险防控。因此,货物自身状态变化造成的安全隐患,可纳入物料因素考虑范围。

2 事故致因模型构建

2.1 流程分析

铁路货运作业主要安全风险环节见图2,主要包括发站装车作业安全、途中运输状态安全和到站卸车作业安全3部分。发站装车作业安全部分,主要有混装货物安全检查、货物检斤验货、集装箱装卸司索、装载加固方案核实、实施货物装载加固、货车装载状态检查、专用线交接检查等风险环节;途中运输状态安全部分,主要有货车装载超限状态检查、超偏载检测、货车装载可视部位视频检查和其他应检查事项等风险环节,其他应检查事项包括押运人员检查、货车车号核对等内容;到站卸车作业安全部分,包括集装箱装卸司索、货物装卸、专用线交接检查、货物交付等风险环节。

图2 铁路货运作业主要安全风险环节

由图2可知,铁路货运作业安全风险具备涉及环节多、要素多、流程长特征,事故发生会波及客运安全、行车安全。结合S铁路公司2017—2018年货运安全事故及险兆事件,按照5M1E的因素分类方法,可得出各影响因素在各作业环节的风险项点内容。如人员因素主要指发站装车作业安全和到站卸车作业安全的各环节产生的与人员相关的风险项点,包括辅助人员违章指挥、司机误操作、司机违章操作、选车不当、货物装载与装载方案不符、残货未清理等由于人员引起的风险项点。

2.2 模型构建

事故致因理论是建立在对众多典型事故调查分析的基础上所得的事故发生机理,其目的是协助管理者识别并控制风险源,防止类似事故再次发生[12]。大量研究与实践已经证明,事故致因模型在安全科学理论研究与事故预防实践中的重要性。事故致因链大体可以分为古典事故致因链、近代事故致因链和现代事故致因链3个阶段[13]。在海因里希的事故致因链基础上,博德和罗夫特斯第一次将管理(活动)明确地引入事故致因链中,较大程度更新了海因里希的事故致因链。基于博德和罗夫特斯构建的事故致因链模型,以S铁路公司2017—2018年铁路货运事故及险兆事件情况为基础,结合铁路货运安全管理特征,形成铁路货运事故致因机理,基于5M1E的铁路货运作业事故致因概念模型见图3。

图3 基于5M1E的铁路货运作业事故致因概念模型

1)不同场景铁路货运事故存在干扰和传播。一是由于不同铁路货运业务场景下的影响因素的风险表达不同,按照场景分析铁路货运事故有利于准确把握风险源。铁路货运事故按照场景可划分为货运场站、货检站、专用线、运输区间等类型。二是由于铁路运输客货共线的系统性、网络化特征,单一货运事故可能会引发客运事故、行车事故等其他系统安全事故,即事故存在延伸和升级的特点。

2)不安全动作或状态由多种因素共同作用。铁路货运作业场景下,各因素间存在较为复杂的作用关系。根据博德和罗夫特斯构建的事故致因链,方法因素是所有影响因素的根本原因,同时也是导致不安全状态或不安全动作的直接原因。结合铁路货运事故和场景情况可以看出,一是方法因素(根本原因)与其他因素(直接原因)间存在较强的关联关系;二是人员、设备、物料、方法、环境、测量等因素间存在相互作用的关联关系。

3)影响因素与事故间存在复杂关联关系。铁路货运安全事故存在单一因素、多因素并发、多因素串联等多种模式,事故致因方式较为复杂。一是单一因素造成的货运安全事故,如因设备自身故障造成货运安全风险或事故;二是多因素并发造成货运安全事故,如设备故障且人工懈怠,使问题风险未及时处理所产生的事故;三是多因素串联造成的货运安全事故,如设备故障、人工懈怠、暴雨暴雪天气等同时发生造成安全风险未及时处置所产生的安全事故。以某车站发生事故为例,装车使用的凹形草支垫型号与卷钢规格不匹配,凹形草支垫规格尺寸、捆扎道数不符合规定,加固线拴接位置有误,加固后未使用绞棍将加固铁线绞紧,选用的货车车地板有破损,车地板残货未清理干净,交接检查不认真,造成货物列车出发时货物窜动,超偏载检测装置报警机后第13位前偏重19 t,影响本列1 h。所形成的事故致因概念模型见图4。

图4 事故致因概念模型示例

由图4可知,铁路货运事故涉及影响因素众多且相互关系复杂,揭示事故与因素间、因素与因素间的关联关系,对丰富和完善铁路货运事故致因模型,提升铁路货运本质安全管理水平具有重要意义。

3 风险关联分析及规则挖掘

基于5M1E的铁路货运事故致因模型形成事故链描述方法,能够将风险影响因素与事故隐患之间人的不安全行为或物的不安全状态进行准确提取,更有利于事故隐患倾向判断。进一步从铁路货运事故隐患数据库找出铁路货运安全事故与多影响因素间的关联规则,有利于前置环节风险管控。关联规则挖掘基本模型见图5。

图5 关联规则挖掘基本模型

其中,数据预处理环节是按照统一、标准的数据格式,将逐项事故数据分解为影响因素、动作状态、事故隐患;算法分析环节是采用Apriori算法,通过逐层搜索迭代的方式逐步从低维频繁项集获取高维频繁项集,即频繁K-项集的生成来源于对已有的频繁(K-1)-项集的推算,最终得到符合最小支持度和置信度的风险关联规则。

3.1 推理规则分析

在铁路货运安全事故链信息中,管理决策者关注的是影响因素与动作状态、动作状态与事故隐患的关联关系。其中,影响因素分为间接因素和直接因素,在日常事故分析中主要强调的是直接因素(即极其重要的因素),需要对其进行风险规避与管控;间接因素会影响和诱发直接因素的风险升级,需要对其进行有效的风险防范[14-16]。但在事故链中,对某一影响因素而言,即可以是直接因素,又可以是间接因素,即两者间存在交集,无法直接建立事故链关系。为有效表达间接因素对事故隐患的影响,按照影响因素、直接因素分别与动作状态、事故隐患进行关联分析。因此,管理决策者感兴趣的规则为:影响因素、动作状态与事故隐患,直接因素、动作状态与事故隐患。关联规则的基本定义描述如下:

通过分析S铁路公司2017—2018年铁路货运安全事故及险兆事件数据可知,记录的安全事故或隐患问题最多有4项影响因素。因此,本文关联规则中影响因素数量最多设置为4。不同因素下的关联规则描述如下。

1个因素

(1)

2个因素

(2)

3个因素

(3)

4个因素

(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 )阐述了仅一项影响因素条件下出现人的不安全行为或物的不安全状态,进而造成事故隐患的关联规则,该项影响因素为直接影响因素;式( 2 )阐述了2个因素条件下出现人的不安全行为或物的不安全状态,进而造成事故隐患的关联规则,双因素由一项直接影响因素和一项间接影响因素组成;式( 3 )阐述了3个因素条件下出现人的不安全行为或物的不安全状态,进而造成事故隐患的关联规则,3个因素由一项直接影响因素和2项间接影响因素组成;式( 4 )阐述了4个因素条件下出现人的不安全行为或物的不安全状态,进而造成事故隐患的关联规则,4个因素由一项直接影响因素和3项间接影响因素组成。

3.2 Apriori算法实现

关联规则挖掘就是从现存数据库中找到所有的频繁模式,再从频繁模式中找到强关联规则[17-18]。Apriori 算法是Agrawal等于1994年提出的,通过采用逐层搜索的策略,由频繁k项集不断探索k+1项集,直到不能再形成候选项集为止,算法即结束。

T={T1,T2,T3,…,Tu}是任务相关的事务数据库集合,即S铁路公司2017—2018年货运安全事故及险兆事件问题,每个事务是一个非空项集(项的集合成为项集,包括k个项的项集成为k项集),且T⊆I(1≤k≤u)。

设A(A⊆T)和B(B⊆T)都是一个项集,且满足A⊂I,B⊂I,A≠∅,B≠∅,A∩B=∅,关联规则就形成如“A⟹B”的蕴含式,A为蕴含式的前件,B为蕴含式的后件,每条关联规则都要求出对应项目集的支持度和置信度。

项目集的支持度是事务数据库中包含该项集的事务占比,是用来衡量关联规则重要性的关键量,支持度越高,则关联规则越重要。如,A⟹B支持度Ssupport为

项目集的置信度是用来衡量关联规则可靠性的关键参数,置信度的高低代表关联规则可信程度的高低。如A⟹B置信度Ccon为

Ccon(A⟹B)=Ssupport(A∪B)/Ssupport(A)

(5)

由式( 5 )可知,置信度容易由支持度导出,因而关联规则的挖掘很大程度上受频繁模式的挖掘效率影响。

3.3 事故隐患数据处理

S铁路公司每月发布的安全情况通报中,对当月发生的货运相关安全事故及主要问题进行通报。每条事故或问题隐患的描述,主要包括时间、地点、车站、主体、原因、过程、结果等信息。从月度安全通报中看出,不同事故或问题隐患的描述存在表达差异,对原因描述部分采用主要原因、次要原因,部分采用主要责任、次要责任,部分未明确主要和次要关系[19]。因此,需要对基础数据进行标准化处理,形成统一的风险隐患库数据格式见表1。

表1 风险隐患数据格式

4 实例分析

由于铁路行业具有事故发生率低,但事故损失巨大的特殊性,因此设定关联规则的挖掘标准为支持度0.001,置信度大于0.25。以S铁路公司2017—2018年货运安全事故及险兆事件为基础,共获取337条,形成项集,部分事故隐患信息见表2。

表2 S铁路公司2017—2018年货运安全事故及险兆事件数据

为便于计算,避免数据为空的单元对计算结果的干扰,对项集中337条数据的空项数据补充无重复的变量。由于计算过程未进行定向去除重复规则,部分规则存在重复项,如{“装车检查不到位”,“车辆质量不良”}的支持度为0.059、置信度为0.500、提升度为8.500,{“车辆质量不良”,“装车检查不到位”}的支持度为0.059、置信度为1.000、提升度为8.500。考虑支持度越高代表项集出现频率越高、置信度越高代表关联性越强,对关联规则进行去重处理,即相同规则优先保留支持度高的。去除相同规则后,最终共计挖掘53条规则。53条规则中,部分规则见表3。

表3 关联规则示例

以第一项关联规则为例,货物的不安全状态为“偏重”,其直接原因为“货物窜动”,间接原因为“编组站违规解编”,该关联规则支持度为0.063、置信度为0.778,即货物偏重发生时,编组站违规解编、货物窜动发生的概率为77.8%。本文提出的基于5M1E的铁路货运安全风险关联推理方法,与当前按字段筛选、查找、统计的风险关联分析方法相比,能够按场景精准定位事故致因,有效提升铁路货运安全风险识别与防控能力,为科学采取货运安全专项整治措施提供可靠技术支撑。

5 结论

本文针对铁路货运安全风险关联推理开展研究,提出了基于5M1E的铁路货运作业事故致因概念模型,该模型能够揭示“影响因素-动作状态-事故隐患”的演化关系,形成铁路货运事故链描述方法,避免不同场景下因素模糊不清造成的致因难以定位的问题。运用Apriori算法计算影响因素、动作状态与事故隐患的关联规则,以S铁路公司2017—2018年货运安全事故及险兆事件为基础,构建包括337条的项集。经过案例计算,得到如下结论:

1)与传统管理人员进行分类筛选、统计累加相比,本文所述方法能够快速定位一段时期内铁路货运安全事故隐患和影响因素的关联规则,具备很好的可操作性。

2)本文提出的基于5M1E的铁路货运作业事故致因概念模型,能够揭示“影响因素-动作状态-事故隐患”的演化关系,准确表达铁路货运作业中各生产要素、管理要素在风险传递和演化中的作用和功能,能够为铁路货运安全风险管理顶层设计提供理论指导。

3)本文方法充分考虑铁路货运作业的风险环节,将货运检查、装车检查、卸车检查等检查风险归类为测量风险类,便于按环节快速定位货运安全风险项点。

当前在铁路货运持续增量形势下,铁路面临着承运品类多、装运货车多、风险项点分散的货运安全管理形势,故本文提出的铁路货运安全风险管理推理方法,能够基于历史数据快速定位该时期内的安全风险隐患苗头,为铁路货运安全事故与隐患的致因分析提供可靠的方法手段和技术支撑。