曾小清，林海香，2，王奕曾，袁騰飛，何 喬，黃繼成

（1.同濟大學 道路與交通工程教育部重點實驗室，上海 201804；2.蘭州交通大學自動化與電氣工程學院，甘肅 蘭州 730070；3.香港城市大學計算機科學系，香港 999077；4.上海大學 悉尼工商學院，上海 01800；5.貝爾福-蒙貝利亞技術(shù)大學信息學院，貝爾福法國 90000；6.上海軌道交通十四號線發(fā)展有限公司，上海 201103）

安全是軌道交通事業(yè)永恒的主題。軌道交通信號系統(tǒng)作為保障軌道交通安全運行的大腦指揮系統(tǒng)，其安全運行水平至關(guān)重要。美國鐵路事故統(tǒng)計數(shù)據(jù)表明，與信號設(shè)備有關(guān)的事故關(guān)聯(lián)度達到0.683，信號系統(tǒng)故障成為美國鐵路事故的主原因之一［1］。我國鐵路自“7.23”特大事故后再未發(fā)生與信號相關(guān)的較大事故，然而在故障率方面，信號故障仍然高居首位。據(jù)統(tǒng)計，我國高鐵自開通以來至2014年，僅京廣、鄭西兩條高鐵線就發(fā)生故障1 095起，其中電務(wù)（信號）677起，工務(wù)105起，供電176起，車輛132起，其他故障5起［2］，信號故障占總故障的61.8%，故障率高導致發(fā)生事故的概率相應(yīng)升高。根據(jù)鐵總運［2015］26號《鐵路電務(wù)安全規(guī)則》對信號系統(tǒng)故障和事故的定義，“當設(shè)備故障因處理不當、器材老化、外界不可預見影響等升級為鐵路交通事故時，按《鐵路交通事故調(diào)查處理規(guī)則》定性為鐵路事故。”因此，從事故出發(fā)尋找風險源，是提高軌道交通信號系統(tǒng)安全風險預防管控水平的根本途徑。

鐵路信號系統(tǒng)事故主因素的辨識是安全風險分析的基礎(chǔ)，也是事故致因溯源的首要條件。傳統(tǒng)辨識方法有頭腦風暴法、專家經(jīng)驗分析法、安全檢查表法（SCL）［3］、失效模式與影響分析方法（FMEA）［4-5］、風險與操作性分析法（HAZOP）［6］、預先危險性分析法（PHA）［3］和故障樹分析方法（FTA）［7-8］等經(jīng)典風險辨識方法。近年來又出現(xiàn)了一些新的、定性的、基于事故致因系統(tǒng)論的因素識別方法，有分層危險起因和傳播研究法（HiP-HOPS）［9］、事故因果分析方法（CAST）［10］、功能共振分析方法（FRAM）［11］等。定量辨識方法是日本鐵道技術(shù)研究所針對鐵路信號系統(tǒng)提出的一種將組件故障發(fā)生概率、功能失效概率和控制措施等相關(guān)聯(lián)的風險分析方法［12］。上述除故障率統(tǒng)計法、FTA法屬于定量辨識方法外，其余方法均為定性辨識或系統(tǒng)論定性辨識方法，較多依賴專家經(jīng)驗，受到個人專業(yè)技能的限制，主觀性較強，缺少數(shù)據(jù)的支持，需定量分析以加強安全分析的客觀性和提高后續(xù)安全管控的效果。對于系統(tǒng)安全分析模型，有多種形式，其中5M模型（Management-Machine-Man-Media-Mission factor，管理-設(shè)備-人員-環(huán)境-功能要素模型）是要素分析模型，作為分析調(diào)查事故性質(zhì)的有效工具，是美國聯(lián)邦航空管理局（FAA）內(nèi)部航空安全計劃的一部分。20世紀40年代康奈爾大學的TP Wright將人-機-環(huán)境（Men-Machine-Media）三合一引入航空安全，1965年第四個“M”（管理Management）加入，1976年“任務(wù)”（Mission）加入到整體模型中［13］。通過5M要素識別和分析，有助于確定安全隱患原因、隱患以及安全風險緩解策略。近年來5M模型在我國軌道交通信號領(lǐng)域，也得到了初步的應(yīng)用［14-15］。

1 數(shù)據(jù)來源與事故數(shù)據(jù)特征提取

通過新聞報道、中國鐵道年鑒、國家鐵路局數(shù)據(jù)、各鐵路局公開典型事故案例等方式收集信息，剔除與電務(wù)無關(guān)的303起典型事故樣本，以余下254起與電務(wù)相關(guān)的2000—2017年典型事故案例作為數(shù)據(jù)樣本1，將全年220起與電務(wù)相關(guān)的事故案例作為參考對比數(shù)據(jù)樣本2。

數(shù)據(jù)樣本1中，有人員死亡、重傷案例40件，輕傷案例2件，無傷亡案例212件，按照海因里希法則［16］中事故傷亡比例1∶29∶300來判別，數(shù)據(jù)樣本1屬于較大傷亡事故數(shù)據(jù)。數(shù)據(jù)樣本2中，有人員傷亡案例2件，輕傷案例0件，無傷亡案例218件，屬于較小傷亡事故數(shù)據(jù)。對數(shù)據(jù)樣本1和數(shù)據(jù)樣本2的分析是對較大和較小傷亡事故數(shù)據(jù)進行分析，基本涵蓋導致鐵路信號系統(tǒng)的主要事故因素和事故特征，且覆蓋全國各鐵路局和各個年份，能夠較為全面反映信號系統(tǒng)事故影響因素和發(fā)生環(huán)境。

我國普速鐵路、高速鐵路的信號系統(tǒng)事故分級和定性以2007年鐵道部頒布的《鐵路交通事故調(diào)查處理規(guī)則》和《鐵路交通事故應(yīng)急救援和調(diào)查處理條例》（國務(wù)院令第501號）為主，依據(jù)事故造成的人員傷亡、直接經(jīng)濟損失、列車脫軌輛數(shù)、中斷鐵路行車時間等情形分為特大、重大、較大和一般事故4個等級，以此作為信號系統(tǒng)事故類型特征統(tǒng)計依據(jù)。

本論文研究以同濟大學軌道交通運行控制實驗室為實驗數(shù)據(jù)支撐平臺，利用Python軟件和SPSS軟件對較大和較小傷亡事故數(shù)據(jù)進行處理，分別提取事故類型、事故原因等特征，并對事故類型的數(shù)量進行統(tǒng)計分析，得到如圖1所示的分布柱形和占比曲線。

圖1 信號系統(tǒng)傷亡數(shù)據(jù)與事故類型分布及占比Fig.1 Accident type distribution and proportion of larger and minor casualty data in signaling systems

對比較大傷亡事故和較小傷亡事故，二者柱形波動趨勢和占比曲線趨勢相近，且基本呈正態(tài)分布，說明較大傷亡事故與較小傷亡事故樣本數(shù)據(jù)選取得當，包含各種事故類型。但較大傷亡事故數(shù)據(jù)的各事故類型特征更加明顯，能更加全面反映信號系統(tǒng)事故特征，而較小傷亡事故樣本在分析單事故類型、單因素時較有優(yōu)勢。二者均在一般D類事故上波動較大，整體呈現(xiàn)大事故稀少而一般D類事故顯著居多的特點。因此，現(xiàn)階段我國鐵路信號系統(tǒng)事故具有如下規(guī)律，與信號系統(tǒng)相關(guān)的鐵路交通特大、重大、大事故較為稀少，而小事故或一般事故數(shù)量較多。

2 安全風險識別方法

2.1 一般統(tǒng)計法

根據(jù)鐵總運［2015］26號《鐵路電務(wù)安全規(guī)則》所定義的28種電務(wù)事故原因，逐條對較大傷亡事故和較小傷亡事故數(shù)據(jù)進行特征數(shù)據(jù)提取。造成信號系統(tǒng)發(fā)生事故的直接原因雖然很多，但在以事故數(shù)量作為唯一識別尺度的條件下，根據(jù)事故原因與事故總量的相對比例，對其中事故數(shù)量≥10的事故原因識別為事故主因素，較大傷亡事故識別出主因素7個，較小傷亡事故識別出主因素6個。不論較大傷亡事故還是較小傷亡事故，最主要原因是材質(zhì)不良、外界施工、檢修不良及自然災(zāi)害（雷害）。

2.2 統(tǒng)計識別法

以信號系統(tǒng)安全分析5M模型作為事故主因素的分類依據(jù)，將定義的28種事故原因細化擴充為32種事故因素，構(gòu)建成事故5M數(shù)據(jù)模型。結(jié)合前述事故原因特征分析工具，基于5M模型統(tǒng)計較大、較小傷亡事故數(shù)據(jù)的事故原因數(shù)量。根據(jù)事故原因與事故總量的相對比例，將其中事故數(shù)量≥9的事故原因識別為事故主因素，如圖2、圖3所示。

圖2 基于統(tǒng)計識別法的較大傷亡事故主因素分析Fig.2 Major factors of larger-casualty accidents identified by statistic identification method

圖3 基于統(tǒng)計識別法的較小傷亡事故主因素分析Fig.3 Major factors of minor-casualty accidents identified by statistic identification method

統(tǒng)計識別法識別出較大傷亡事故主因素10個，較小傷亡事故識別主因素8個，較大傷亡事故最主要事故原因是外界人員施工，較小傷亡事故最主要事故原因是材質(zhì)不良。

2.3 因子分析法

比較上述一般統(tǒng)計法和統(tǒng)計識別法，當以事故數(shù)量作為主因素唯一識別尺度時，事故原因總量增加，則所識別的主因素也增加，反映了這種事故數(shù)量尺度的單一籠統(tǒng)性，不夠全面，未考慮事故后果、人員傷亡情況、事故形態(tài)等多指標尺度綜合影響，所識別的主因素是否具有導致事故發(fā)生影響面大、造成后果損失大的特點仍未可知。由此，為了深入挖掘各事故因素對事故嚴重程度的影響，進一步提高安全風險源識別和安全控制的高效性和針對性，擬通過數(shù)據(jù)挖掘方法，建立多指標下的事故主因素模型。

2.3.1 建模方法

數(shù)據(jù)挖掘方法有方差分析、相關(guān)與回歸分析、因子分析、判別分析、關(guān)聯(lián)規(guī)則挖掘等，由于傳統(tǒng)方差分析主要進行均值比較，并不能解決數(shù)據(jù)復雜性問題；回歸分析要求各事故因素變量有非常明確的實際意義和影響機制，而本次事故因素多變量的影響機制尚不明確，不適于采用回歸分析；因子分析法在數(shù)據(jù)分析中對多變量起到降維的作用，降低了數(shù)據(jù)處理的難度，減少了工作量，此外，因子分析處理后的新變量各不相關(guān)，避免了信息重疊帶來的混亂，具有不受數(shù)據(jù)原本的相連性限制的優(yōu)點。關(guān)聯(lián)規(guī)則挖掘針對事故因素之間的關(guān)系進行分析，不適用事故主因素的挖掘。因此，針對信號系統(tǒng)事故主因素分析采用因子分析法建模［17］，數(shù)學模型［18］如下：

設(shè)原始變量Xi（i=1，2，…，p），如果表示為

式中：A為因子載荷矩陣；F為公共因子變量；ε為殘差向量；aij為因子載荷系數(shù)

使用因子分析模型的任務(wù)就是求出因子載荷系數(shù)矩陣A和殘差ε，若殘差影響很小可忽略，且F公因子各分量互不相關(guān)，F(xiàn)的期望為0、方差為1，則式（2）變?yōu)?/p>

式中：Z為主成分向量；X為原始變量；B為主成分相關(guān)矩陣（特征向量）

因子分析的目的是求出矩陣B，而主成分Z1、Z2、Z3…在總方差中的比重依次遞減，一般根據(jù)方差大于70%確定出主要主成分，達到降維的目的。

2.3.2 基于5M的事故主因素建模

選取220條較小傷亡事故數(shù)據(jù)和254條較大傷亡事故數(shù)據(jù)作為因子分析對象，按照5M模型的因素分類提取事故數(shù)量、耽誤行車數(shù)、脫軌車廂數(shù)、傷亡人數(shù)等統(tǒng)計量，對其進行Z-score標準化，截選部分標準化數(shù)據(jù)如表1所示。

3 實驗分析

3.1 風險辨識方法應(yīng)用

采用因子分析法，計算求得較小傷亡事故矩陣的特征值和方差貢獻率，選取累積方差貢獻率＞70%的成分作為主成分，其特征值分別為λ1=2.405，λ2=1.571。由式（2）～（4）計算所得載荷矩陣如表2所示。

由表2計算可得到主成分的特征向量B=（0.69 0.68 0.61－0.84），則較小傷亡事故主因素計算模型為

表2 較小傷亡事故數(shù)據(jù)的載荷矩陣Tab.2 Load matrix for minor-casualty data

根據(jù)基于5M的事故主因素建模方法計算各因素的主成分值F，將表1中數(shù)據(jù)依次代入式（5）中可計算得到較小傷亡事故各因素的主成分值，同理根據(jù)式（6）可得到較大傷亡事故各因素的主成分值。將較大傷亡事故和較小傷亡事故中主成分值F≥1的事故因素識別為主因素，如圖4、5所示。

表1 鐵路信號系統(tǒng)較小傷亡事故標準化數(shù)據(jù)Tab.1 Standardized data for minor-casualty accident in a railway signaling system

由圖4、5可得，綜合考慮事故數(shù)量、耽誤行車數(shù)、脫軌車廂數(shù)、傷亡人數(shù)等多種識別尺度時，較大傷亡事故識別出主因素9個，較小傷亡事故識別主因素5個。不論較大傷亡事故還是較小傷亡事故，最主要原因都是自然災(zāi)害、材質(zhì)不良、施工管理不善、防護不力造成電務(wù)人員死亡。

圖4 較大傷亡事故主因素Fig.4 Major factors for larger-casualty accidents

圖5 較小傷亡事故主因素Fig.5 Major factors for minor-casualty accidents

將上述主因素識別結(jié)果按數(shù)值大小取前18位作為影響力強的主因素排序，即為事故因素重要性排序。

較小傷亡事故因素重要性排序：材質(zhì)不良＞施工管理不善＞防護不力責任死亡＞人為破壞和砸盜燒＞雷害＞處理延時＞線纜破損＞意外砸損＞其他自然災(zāi)害影響＞外界人員施工＞人員檢修不良＞人員處理延時＞器材失效/超期＞電化干擾＞施工延時＞設(shè)備缺陷＞廠家責任＞供電影響。

較大傷亡事故因素重要性排序：外界人員施工＞其他自然災(zāi)害影響＞材質(zhì)不良＞施工管理不善＞防護不力責任死亡＞電務(wù)人員施工＞漏檢缺修管理不力＞違章作業(yè)＞設(shè)計缺陷＞施工隱患＞人為破壞和砸盜燒＞施工配合不力＞路外施工干擾＞機務(wù)影響＞車務(wù)影響＞設(shè)備缺陷＞供電影響。

事故因素重要性排序反映了事故因素對信號系統(tǒng)事故的影響力強弱，可為信號系統(tǒng)安全風險分析和風險評價提供風險權(quán)重值的數(shù)據(jù)支持。

3.2 實驗結(jié)果討論

一般統(tǒng)計法、統(tǒng)計識別法和基于5M的因子分析法雖然都能識別信號系統(tǒng)事故主因素，但識別效果不同，即不同方法識別的主因素略有不同，識別主因素數(shù)量也不盡相同。

考慮識別方法與事故原因數(shù)量、識別的事故主因素覆蓋率、事故影響率之間的關(guān)系，對方法識別效果進行度量，則事故主因素覆蓋率計算公式如下：

式中：C為主因素覆蓋率，表示識別的鐵路事故主因素占整個事故原因集合的比率；I為整個鐵路事故原因的集合；i?I表示i是鐵路事故原因集合I中的一個事故主因素；Rn（i）為識別的事故主因素集合；K為整個鐵路事故原因的數(shù)量。

主因素事故影響率Ir是指主因素的事故影響力占整個事故原因數(shù)量的比率，計算公式如下：

式中：f（Zscore（i））為主因素事故影響力，表示在整個事故原因集合中由主因素所導致的事故后果經(jīng)Zscore標準化后的函數(shù)值；i為衡量事故后果的指標數(shù)量，包括事故數(shù)量、傷亡人數(shù)、耽誤行車數(shù)、脫軌車廂數(shù)等，當前最大取值為5，如公式（6）所示。

一般統(tǒng)計法和統(tǒng)計識別法只考慮事故數(shù)量的單一指標，其f（Zscore（i））=Z-score（1）；基于5M的因子分析法是求取多指標尺度下的主因素函數(shù)，分別將Zscore值代入式（5）、（6）可得f（Zscore（i））。針對較大、較小傷亡事故數(shù)據(jù)，在不同的事故原因數(shù)量K值下，將f（Zscore（i））代入式（7）、（8）中，可得3種方法識別效果度量表，如表3所示。

表3 3種方法效果度量Tab.3 Comparison of three methods to measure effectiveness

表3分析表明，針對較大、較小傷亡事故數(shù)據(jù)，當識別方法采用單一尺度指標時，隨著K值的增大，其覆蓋率會有所增加，而影響率與K值無關(guān)；當識別方法采用多尺度指標時，相對單一尺度指標，覆蓋率略有減小，而影響率大幅增加。單一尺度“事故數(shù)量”反映了事故發(fā)生頻度，多尺度指標“事故數(shù)量、傷亡人數(shù)、耽誤行車數(shù)、脫軌車廂數(shù)”等反映了事故頻度、事故后果和損失嚴重程度。因此需選擇影響率相對較高而覆蓋率適中的方法，此時，K=32，較小傷亡事故數(shù)據(jù)的覆蓋率為0.156 3，相較一般統(tǒng)計法降低了27%，而影響率為0.459 7，相較另兩種方法，分別提高了56%和61%；較大傷亡事故數(shù)據(jù)的覆蓋率為0.281 3，相較一般統(tǒng)計法提高了13%，而影響率為0.754 0，相較另兩種方法，分別提高了106%和91%。由此，基于5M的因子分析法識別效果最佳。

4 結(jié)論

相較單一尺度的數(shù)據(jù)統(tǒng)計識別方法，本文提出了一種基于事故數(shù)據(jù)的5M因子分析法。該方法將5M模型與數(shù)據(jù)挖掘方法有機融合，先統(tǒng)計鐵路信號系統(tǒng)多種事故指標并進行事故因素5M分類，再采用因子分析法建立主因素數(shù)學模型，綜合考慮事故數(shù)、耽誤行車起數(shù)、脫軌車廂數(shù)、傷亡人數(shù)等多尺度計量事故損失方式，對影響信號系統(tǒng)安全性的多種風險因素進行了全方位辨識和定量計算。該方法能應(yīng)用于軌道交通信號系統(tǒng)安全風險辨識，計算得到辨識因素的重要性排序，能夠為安全分析、風險辨識、安全管控提供有力的數(shù)據(jù)支持。

該方法對于軌道交通信號系統(tǒng)的安全施工建設(shè)和運營管理提出如下建議：雷害和其他自然災(zāi)害仍對當前我國軌道交通信號系統(tǒng)有較大影響，環(huán)境要素是信號系統(tǒng)事故致因的重要一環(huán)，應(yīng)當加強防范；較大傷亡事故區(qū)別于較小傷亡事故的主因素有外界人員施工、人員檢修不良、人員違章作業(yè)、電務(wù)人員施工、漏檢缺修管理不力等，說明從長期來看，不論在施工建設(shè)還是日常維護中，人員要素仍然對鐵路信號系統(tǒng)事故有著較大影響力，需要在事故預防管理中加以重視；較小傷亡事故的主因素以設(shè)備材質(zhì)不良、電務(wù)施工管理不善為主，數(shù)據(jù)表現(xiàn)偏重于設(shè)備要素和管理要素，因此在多因素考慮，多管齊下的基礎(chǔ)上，突出重點，對于鐵路電務(wù)日常維護要重點抓設(shè)備安全和日常管理。

作者貢獻聲明：

曾小清：建模思路，5M算法分類。

林海香：數(shù)據(jù)收集，數(shù)據(jù)挖掘與建模。

王奕曾：數(shù)據(jù)收集。

袁騰飛：風險辨識。

何 喬：算法測試。

黃繼成：數(shù)據(jù)收集。