礦工不安全行為特征的關(guān)聯(lián)規(guī)則分析

李 琰，岳雪嬌，陳俠君

（西安科技大學(xué)管理學(xué)院，陜西西安 710054）

煤礦安全事故的發(fā)生主要是由于物的不安全狀態(tài)和人的不安全行為引起的，但隨著煤礦作業(yè)機(jī)械化程度的不斷提高，作業(yè)中機(jī)器設(shè)備出現(xiàn)故障的概率逐漸降低，由礦工的不安全行為造成的煤礦安全事故風(fēng)險的概率持續(xù)上升[1]。2020 年全年發(fā)生煤礦安全事故共122 起，死亡人數(shù)共225 人，其中造成事故發(fā)生最為突出的原因仍然是礦工安全紅線意識不強(qiáng)和存在違法違規(guī)的不安全行為。因此，深入探究礦工不安全行為隱含關(guān)聯(lián)對礦工安全生產(chǎn)管理尤為重要，是識別和把控煤礦事故發(fā)生的有力舉措[2]。國內(nèi)外學(xué)者對于礦工不安全行為已經(jīng)進(jìn)行了大量的相關(guān)研究，1996 年，Donald 等[3]最先從人格特質(zhì)的研究角度出發(fā)發(fā)現(xiàn)礦工的人格特點與事故的發(fā)生之間密切相關(guān)。目前對礦工不安全行為的研究主要集中在單方面和多方面影響因素的研究，從單方面研究來看，國外學(xué)者認(rèn)為礦工工作環(huán)境與工作壓力[4]、不安全心理狀態(tài)[5]以及煤礦倒班制度[6]都會對礦工不安全行為產(chǎn)生消極影響。從多方面因素研究來看，學(xué)者大都通過利用構(gòu)建模型的方式來探究影響因素，但傳統(tǒng)的方法存在諸多局限性，對于影響礦工不安全行為的因素討論較為分散。近年來，相關(guān)研究將數(shù)據(jù)挖掘技術(shù)應(yīng)用于煤礦安全管理過程中，力求實現(xiàn)煤礦企業(yè)安全可視化管理[7]。2013 年，田水承等[8]首次構(gòu)建了礦工不安全行為數(shù)據(jù)庫，對工作環(huán)境與礦工不安全行為之間的關(guān)聯(lián)性進(jìn)行了初步分析?，F(xiàn)有研究雖從不同角度對礦工的不安全行為進(jìn)行了分析，但并未對礦工不安全行為之間的動態(tài)交互進(jìn)行深層次和系統(tǒng)性的研究?；谝陨涎芯?，認(rèn)為礦工的不安全行為應(yīng)該是一個相互影響相互作用的整體系統(tǒng)，找到行為之間相互關(guān)聯(lián)相互影響的特征來發(fā)現(xiàn)礦工不安全行為存在的關(guān)聯(lián)性與必然性，從而針對找出的關(guān)聯(lián)規(guī)律來提出相應(yīng)的解決對策措施。為此，從不安全行為的特征分析出發(fā)，結(jié)合不安全行為內(nèi)容本身對煤礦企業(yè)不安全行為管控記錄數(shù)據(jù)進(jìn)行分析，利用關(guān)聯(lián)規(guī)則算法從大量不安全行為記錄中得到礦工不安全行為的強(qiáng)關(guān)聯(lián)規(guī)則和關(guān)鍵因素；深入挖掘礦工不安全行為隱藏關(guān)系，為礦工不安全行為的治理提供更具針對性的意見，進(jìn)而有效地控制不安全行為的發(fā)生率。

1 礦工不安全行為特征分析

以我國某西部煤礦企業(yè)年的不安全行為管控表內(nèi)44 070 條管控記錄作為數(shù)據(jù)源，剔除掉無用、空白數(shù)據(jù)，從不安全行為發(fā)生的內(nèi)容描述、所處時間段、所處部門單位等角度用統(tǒng)計性數(shù)據(jù)分析礦工不安全行為規(guī)律，以期用頻次來解釋不同類型的礦工發(fā)生不安全行為的數(shù)量區(qū)間，得到不同約束條件下的最為突出的特征。

1.1 基于不安全行為描述的分析

煤礦不同類型的作業(yè)區(qū)域中自然條件、設(shè)備設(shè)施、作業(yè)人員和管理水平有很大差異[9]，因此需要對不安全行為的具體描述性內(nèi)容進(jìn)行統(tǒng)計，從而明確常出現(xiàn)的礦工不安全行為類型，深化認(rèn)識礦工不安全行為。經(jīng)統(tǒng)計剔除掉偶發(fā)行為，提取礦工不安全行為描述內(nèi)容頻數(shù)的前25 項，得到的不安全行為描述頻次分布如圖1。

圖1 礦工不安全行為描述及數(shù)量分布Fig.1 Description of unsafe behavior and quantity distribution of miners

由圖1 可見：25 種高頻不安全行為中發(fā)生次數(shù)超過1 000 次的有7 種行為，超過2 000 次的有3種行為；其中頻數(shù)最多的不安全行為是“不佩戴安全帽”高達(dá)3 872 次，頻率為8.78%，其次是“遲到、早退”和“疲勞上崗”分別達(dá)到了3 771 次（占比8.56%）與2 033 次（占比4.61%）；上述不安全行為出現(xiàn)的頻率遠(yuǎn)超過了其他不安全行為，占全部不安全行為總數(shù)的1/4。究其原有主要還是員工欠缺對風(fēng)險的規(guī)避意識，沒認(rèn)識到“佩戴安全帽”與“按時上下班”的重要性。所以，應(yīng)該加大對這些行為的管理，可以通過提高安全教育、安全宣傳力度，增加員工的安全意識，也可以通過階梯式遞增懲處力度，增加不佩戴安全帽，遲到、早退和疲勞作業(yè)的經(jīng)濟(jì)損失，從而樹立礦工“安全無小事”的安全意識。

1.2 基于其他基礎(chǔ)變量的分析

班次頻數(shù)分布情況如圖2。對于不同班次的行為特征中“8 點班”發(fā)生的不安全行為數(shù)量最為突出，遠(yuǎn)超過了其他的班次點，超過了時間段總和的1/2，“16 點班”和“0 點班”次之，“2 點班”最少，可見，礦工工作的所處班次與不安全行為之間存在顯著關(guān)聯(lián)關(guān)系。因此，需要重視班次與工人狀態(tài)的交互，加強(qiáng)“8 點班”的作業(yè)行為管理，防止不安全行為事故的發(fā)生。

圖2 班次頻數(shù)分布Fig.2 Distribution of shift frequency

煤礦企業(yè)根據(jù)其企業(yè)的特殊結(jié)構(gòu)特征，每一個部門單位員工的不安全行為都易成為煤礦事故的直接或者間接原因。各單位不安全行為統(tǒng)計前10 項頻數(shù)及比率見表1。

表1 各單位不安全行為頻數(shù)及比率Table 1 Frequency and ratio of unsafe behaviors of each unit

不安全行為發(fā)生超過了4 000 次的單位只有1個安全管理部門，其次超過了2 000 次的單位部門有運轉(zhuǎn)隊以及連采隊與綜采隊。安全管理辦公室本身就是對礦工不安全行為管理的部門，自身卻發(fā)生了不安全行為，這極易影響其他礦工的心理，因此安全管理辦公室以身作則的態(tài)度是煤礦安全生產(chǎn)的必要保證。由此可見，應(yīng)加大對安全管理部門的硬性規(guī)章要求，對安全管理部門人員的招聘尤為重要，其決定了對其他單位的不安全行為進(jìn)行管控效果。而連采隊、綜掘隊、通風(fēng)隊、運轉(zhuǎn)隊和綜采隊等是煤炭生產(chǎn)的重要環(huán)節(jié)，其作業(yè)環(huán)境具有線路長、環(huán)節(jié)多的特點，作為煤礦生產(chǎn)中的重要一環(huán)，其順暢運轉(zhuǎn)是煤礦安全生產(chǎn)的必要保障[10]。由此可見，若能對這些部門的不安全行為加強(qiáng)管理，將有效提高煤礦企業(yè)的安全生產(chǎn)率。

將不安全行為危險等級進(jìn)行分類是為了對不安全行為危險性進(jìn)行把控，加深對不安全行為危險程度與嚴(yán)重程度的認(rèn)識。不安全行為危險等級耦合情況統(tǒng)計分析如圖3。特別重大風(fēng)險的不安全行為僅有26 次，所占比重僅為0.06%，中等風(fēng)險的不安全行為最多，有21 927 次屬于這個級別的不安全行為，占比高達(dá)49.76%，接近所有等級不安全行為統(tǒng)計總頻數(shù)的一半，而中等危害的行為同樣存在造成人身傷害等安全事故，因此需要各級管理人員突出重點的監(jiān)督檢查，基于經(jīng)濟(jì)和行政雙重管理。

圖3 不安全行為風(fēng)險等級分布Fig.3 Distribution of unsafe behavior

預(yù)警情況表現(xiàn)了企業(yè)對不安全行為管控力度的準(zhǔn)備情況和負(fù)責(zé)態(tài)度，預(yù)警能在礦工在安全意識缺乏時，達(dá)到一個點醒、提醒的作用，從外部約束礦工的意識。煤礦企業(yè)礦工不安全行為發(fā)生時，有25 878次沒有預(yù)警，可見煤礦企業(yè)對不安全行為的重視程度還有待提高，企業(yè)監(jiān)測預(yù)警信息系統(tǒng)的建設(shè)還需要進(jìn)一步優(yōu)化。

綜上，以上分析只是對不安全行為自身行為內(nèi)容和各要素做了獨立的特征統(tǒng)計分析，明確了每一類特征的頻數(shù)分布以及關(guān)鍵要素，為了進(jìn)一步明確各要素之間的相關(guān)性及事件鏈，需要對礦工不安全行為內(nèi)容描述以及各個要素間進(jìn)行關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘。挖掘出礦工不安全行為的潛在致因以及要素間的潛在關(guān)系，為礦工不安全行為管制提供數(shù)據(jù)支撐和指明實踐方向，使礦工行為管理措施更具針對性。

2 基于關(guān)聯(lián)規(guī)則的礦工不安全行為過程模型構(gòu)建

2.1 關(guān)聯(lián)規(guī)則概念及算法

因為關(guān)聯(lián)規(guī)則法在實際運用的過程中具備有利條件，所以，當(dāng)下關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘中最常用且最活躍的分支之一，關(guān)聯(lián)規(guī)則挖掘是指用于發(fā)現(xiàn)事物之間存在的關(guān)聯(lián)關(guān)系的一個過程。關(guān)聯(lián)規(guī)則的內(nèi)涵是指2 個不存在交集的非空集合A 和B 如果有A?B，那么A?B 就是1 條關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則中包含1 次完整條目鏈的集合稱為“事務(wù)”，每1個“事務(wù)”內(nèi)的每1 個特征都代表1 個項，其中包含至少一個項的集合被稱為項集。

支持度是關(guān)聯(lián)規(guī)則中表示項目出現(xiàn)的頻次與總項目數(shù)間的比例關(guān)系的數(shù)據(jù)，支持度越高的項出現(xiàn)的頻率也越高，即：

式中：Support 為支持度；Count 為項數(shù)；D 為項數(shù)總和。

頻繁項集是指支持度大于等于最小支持度閾值的項集。置信度是指出現(xiàn)了“項A”的同時，出現(xiàn)“項B”的概率，亦可稱之為“項A”發(fā)生時，“項B”發(fā)生的概率，即：

式中：Confidence 為置信度。

強(qiáng)關(guān)聯(lián)規(guī)則是指支持度與置信度均大于或者等于設(shè)定的最小支持度和最小置信度的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則挖掘的算法包括Apriori、PF-growth、Eclact等，由于數(shù)據(jù)量適中，選用Apriori 算法具有簡單且直觀的特點，能夠滿足當(dāng)前挖掘數(shù)據(jù)和挖掘目標(biāo)的需要。因此，利用Apriori 關(guān)聯(lián)算法對礦工不安全行為管控記錄數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘分析。

2.2 基于Apriori 算法的關(guān)聯(lián)規(guī)則挖掘模型

首先根據(jù)數(shù)據(jù)集生成候選項數(shù)據(jù)庫，并設(shè)置好最小支持度和最小置信度；過濾掉不符合最小支持度的項，生成頻繁項集，再組合形成新的項集集合，直到無法篩選出滿足最小支持度的新項集。而后，根據(jù)最終頻繁項集集合數(shù)據(jù)、計算頻繁項集集合所含項之間的置信度，篩出小于最小置信度的項集，生成關(guān)聯(lián)規(guī)則，并選出符合置信度和支持度閾值的強(qiáng)關(guān)聯(lián)規(guī)則。

然而，只依賴支持度和置信度指標(biāo)有可能產(chǎn)生誤差，因為在置信度滿足條件時，置信度與原有的支持度相比，支持度可能反而會下降，這說明2 個項目之間產(chǎn)生了排斥作用，因此需要增加提升度（lift）這一指標(biāo)來判斷所挖掘的關(guān)聯(lián)規(guī)則是否有效，提升度代表了規(guī)則的可靠性，即：

式中：Lift 為提升度，Lift=1 說明了條件間不存在關(guān)聯(lián)，相互獨立，Lift＜1 說明了條件是相互排斥的，規(guī)則的可靠性隨Life 值得增大而增大。

在進(jìn)行礦工不安全行為的特征關(guān)聯(lián)關(guān)系挖掘之前，需要對前期采集的不安全行為管控數(shù)據(jù)進(jìn)行數(shù)據(jù)清理，將數(shù)據(jù)轉(zhuǎn)換成事務(wù)項候選集形式，然后利用關(guān)聯(lián)規(guī)則算法，進(jìn)一步探索不安全行為發(fā)生的單位、班次、不安全行為描述內(nèi)容和不安全行為危險等級之間的關(guān)聯(lián)性，得到滿足需求的關(guān)聯(lián)規(guī)則，最后進(jìn)行規(guī)則的提升度評價，選取最優(yōu)規(guī)則并加以解釋。從而協(xié)助管理者和安全部門進(jìn)一步了解礦工不安全行為，并據(jù)此做出更為有效的決策。

3 基于關(guān)聯(lián)規(guī)則算法的礦工不安全行為分析

3.1 礦工不安全行為內(nèi)容的關(guān)聯(lián)規(guī)則挖掘

以我國某西部煤礦企業(yè)1 年的不安全行為管控表內(nèi)44 070 條管控記錄作為數(shù)據(jù)源，通過礦工不安全行為項目集的首次篩選，得到礦工不安全行為的因素頻繁結(jié)果，生成一階頻繁項目集。按照頻繁程度從高到低的排序方式從中提取出支持度排序的前10 項規(guī)則，其中，單項頻率最高的項目為不同班次中的“8 點班”，達(dá)到了24 852 次；“中等”風(fēng)險排第2名，有21 927 次；“一般”風(fēng)險排第3 名，出現(xiàn)了16 218 次；不同班次中的“16 點班”和“0 點班”出現(xiàn)的頻次分別排名第4 名和第5 名；“重大”事故風(fēng)險出現(xiàn)頻次排第6 名；行為內(nèi)容描述中的“不系安全帽”和“遲到、早退”分別排名第7 名和第9 名；各個單位中出現(xiàn)頻數(shù)最多的為“安全管理辦公室”，排在前10項規(guī)則中的第8 名；單項頻繁前10 項中最低的是行為內(nèi)容描述中的“精神恍惚、疲勞上崗”，也高達(dá)2 033 次。支持度反映了礦工不安全行為影響因素中單項事務(wù)的頻繁程度，為了加深礦工不安全行為形態(tài)的印象，所以需要將頻繁項目進(jìn)一步處理。

為了能夠更深入地提取出礦工不安全行關(guān)聯(lián)規(guī)則的總體規(guī)律和重要規(guī)則共性，基于上述的礦工不安全行為頻繁項集，利用關(guān)聯(lián)規(guī)則分布矩陣進(jìn)一步分析礦工不安全行為間的關(guān)聯(lián)關(guān)系，分布分析可視化結(jié)果可以通過圓形的顏色深淺和大小來觀測關(guān)聯(lián)性。圓形顏色的深淺程度指提升度大小，顏色越深則提升度越大；圓形大小指支持度大小，圓越大支持度越大。由關(guān)聯(lián)規(guī)則分布矩陣結(jié)果可得到如下結(jié)論：“井下在崗睡覺、脫崗”、“精神恍惚、疲勞上崗”、“遲到、早退”“不戴安全帽、超速行車”這4 類行為都極易造成不安全行為事故的發(fā)生。其中“井下在崗睡覺、脫崗”的行為事務(wù)項具有重大風(fēng)險，極易直接引發(fā)事故；“精神恍惚、疲勞上崗”；“遲到、早退”現(xiàn)象出現(xiàn)的頻次相對較低，屬于一般的不安全行為，集中出現(xiàn)于8 點班次；“不戴安全帽、超速行車”行為屬于中等的不安全行為，容易出現(xiàn)在8 點班次；生產(chǎn)辦，機(jī)電信息中心是引發(fā)中等危害不安全行為的主要單位；一般和中等的不安全行為極易在8 點班次發(fā)生，且發(fā)生頻率屬于所有事務(wù)項中最高。

3.2 關(guān)聯(lián)規(guī)則提升度評價

為了能夠更深入地提取出各礦工不安全行為中最優(yōu)關(guān)聯(lián)規(guī)則，并找到關(guān)鍵要素，在軟件中將橫坐標(biāo)設(shè)置為支持度（support），縱坐標(biāo)設(shè)置為置信度（confident）和提高度（lift）對上述關(guān)聯(lián)規(guī)則提升度進(jìn)行計算并離散可視化處理，得到礦工不安全行為關(guān)聯(lián)規(guī)則分布散點圖。再對強(qiáng)關(guān)聯(lián)規(guī)則的提升度進(jìn)行計算提取出提升度最優(yōu)的10 項關(guān)聯(lián)規(guī)則如圖4。圓形顏色的深淺程度指提升度大小，顏色越深則提升度越大；圓形大小指支持度大小，圓越大支持度越大。

圖4 礦工不安全行為最優(yōu)強(qiáng)關(guān)聯(lián)規(guī)則Fig.4 Optimal strong association rules for miners’unsafe behaviors

在這10 條最優(yōu)強(qiáng)關(guān)聯(lián)規(guī)則中有7 條規(guī)則與一般的不安全行為強(qiáng)相關(guān)，它們分別是“串崗”、“會車不減速、不變光、不避讓”、“停車駕駛員離開不熄火、不取鑰匙、不關(guān)車門”、“不了解工作崗位上崗”、“駕駛員不系安全帶”、“作業(yè)人員未隨身攜帶資格證書上崗”、“不參加班前會上崗”?！? 點班，井下在崗睡覺”、“井下在崗睡覺”與“脫崗”都與重大行為強(qiáng)相關(guān)。據(jù)此，得到如下信息：包含駕車的不安全行為在時空分布上都存在關(guān)聯(lián)程度較高的組合狀態(tài)，極易在此狀態(tài)下發(fā)生一般危害性不安全行為；而“井下在崗睡覺”與“零點班”高度組合，且“井下在崗睡覺”和“脫崗”是容易造成人身危害事故的重大危害行為。

以上行為大多數(shù)都會直接造成安全事故的發(fā)生，故在日常安全管理工作中必須對駕駛員的工作狀態(tài)和工作內(nèi)容進(jìn)行嚴(yán)格的預(yù)防與控制，要加強(qiáng)針對“單位”、“班次”以及“工作內(nèi)容”方面的深度監(jiān)管，如在生產(chǎn)辦、機(jī)電信息中心等工作單位安設(shè)檢查監(jiān)督人員和設(shè)施；在0 點班次的工作前和工作中都要對礦工的工作狀態(tài)和精神狀態(tài)進(jìn)行嚴(yán)格把控，例如在0 點班次工作前組織礦工進(jìn)行“提神醒腦操”讓礦工工作精神和意識達(dá)到最佳狀態(tài)；同時安全管理工作要意識到安全教育培訓(xùn)的重要性，讓礦工充分了解不安全行為導(dǎo)致事故發(fā)生的危害性和風(fēng)險性。

4 結(jié) 語

以西部地區(qū)煤礦企業(yè)不安全行為管控數(shù)據(jù)表作為礦工不安全行為特征關(guān)聯(lián)性分析的數(shù)據(jù)源，首先，對礦工不安全行為相關(guān)的要素進(jìn)行了頻次分析，初步認(rèn)識了礦工不安全行為的具體特征形態(tài)；其次，再基于關(guān)聯(lián)規(guī)則中的Apriori 算法對礦工不安全行為指標(biāo)及相關(guān)要素進(jìn)行關(guān)聯(lián)分析，得到強(qiáng)關(guān)聯(lián)規(guī)則；最后，基于強(qiáng)關(guān)聯(lián)規(guī)則得出不同不安全行為的主要關(guān)聯(lián)性。相比于傳統(tǒng)的分析方法，使用的關(guān)聯(lián)規(guī)則算法不僅對礦工不安全行為影響因素進(jìn)行了定量分析而且定性地指出在不同情況下具有不同特征的不安全行為發(fā)生的可能性，能夠?qū)ΦV工不安全行為治理提供科學(xué)可靠的支持，可為安全監(jiān)管部門提供合理的監(jiān)管建議與數(shù)據(jù)支撐。