基于HFACS-MA的地鐵事故人為因素研究*

張振華 朱 琳 劉志鋼 黃遠春

(上海工程技術大學城市軌道交通學院，201620，上海 ∥ 第一作者，助理工程師)

隨著地鐵運營規模的不斷擴大，運營行車組織作業日益困難，各類人為因素所導致的地鐵事故亦不容忽視。文獻[1]發現，1980—2009年歐洲發生的軌道交通事故中，因人為因素所導致的事故數占比高達74%。目前，我國依然缺乏系統性的事故人為因素調查、分類和分析方法[2]。因此，設計一套系統性的地鐵事故人為因素分析模型，從事故中分析事故致因及其相關關系，進而制定對策，可以有效幫助管理人員進行事故預防處置，在同類事故發生時為現場處置提供決策支持，同時為事故的事后定責和整改提供系統科學的理論依據。

近年來，關于事故中人為因素的研究理論眾多。文獻[3]總結提出了人為因素分析與分類系統(HFACS)模型，該模型由于其評估框架的有效性、內容的完整性及強大的可實踐性，使其在煤礦、海運、鐵路等不同領域中都有所應用[2-5]。部分學者在地鐵運營安全領域也進行了研究。文獻[6]通過C-OWA算子對指標賦值，并結合SPA(安全、潛力和期望)模型進行評價。文獻[7]基于脆弱性理論和耗散結構理論，分析地鐵運營事故的演化機理和致因要素的影響機理。

HFACS模型基于航空背景提出，而地鐵與其在組織架構、管理模式等方面具有相似性，因此，該模型具有良好的適應性基礎。然而，根據地鐵事故的處理要求，HFACS模型缺乏完整性，且缺乏事故致因關系鏈，對于已經發現的危害因素，如何系統地排查其他相關因素存在困難。因此，本文根據地鐵運營系統特點、事故預防重點及處置流程，提出適用于研究地鐵事故的人為因素分析與分類系統(HFACS-MA)。運用關聯度規則分析各層級因素間的關聯度，明確事故致因鏈，為事故的前期預防、現場處置和后期定責提供依據。

1 HFACS-MA模型的建立

本文通過對專業人員的訪談，查閱關鍵崗位作業規范和運營管理規定，以及對地鐵事故報告的深入研究發現，由于地鐵具有運輸快速、高效、準時、安全的特性，使得乘客對其有著高度的依賴性。一旦出現事故，便會導致乘客積壓，如未能做好事故應急處置就會進一步導致事故影響的擴大。然而，事故應急處置不是預防事故發生的屏障之一，而是事故發生后對于事故應急處置效果的實時反饋。如果事故應急處置不及時或處置方式不當，就會形成對于4層防護屏障的負反饋，可能進一步造成更大的次生事故的發生。因此，本文在原有模型的基礎上增加事故應急處置反饋層，構建HFACS-MA模型，如圖1所示。各層級因素的分類及問題描述見表1。

圖1 HFACS-MA模型框架圖

表1 HFACS-MA模型致因因素問題描述

1.1 事故致因層

組織影響層處于HFACS-MA模型最底層，是事故分析中最難以挖掘分析的隱性層級。若基礎出現問題，則在此之上建立的其他層級必定存在隱患，而且對隱患的糾正就異常困難。

充分的監督是避免事故發生的重要保護屏障，而不安全的監督所導致的監督缺位或監督不充分是事故致因中常見的一環。缺少監督，就會為違規現象的發生提供可乘之機。

不安全行為的發生一定存在先決條件，包括作業人員自身的狀態，作業人員所處環境的影響，以及與作業人員接觸的其他人員對作業人員的影響等。這些因素會直接或間接地影響作業人員對于當前發生情況的判斷與處理，可能造成危險行為的發生。

操作者的不安全行為是導致人為因素事故發生的直接原因，包括違章違紀、誤操作誤碰觸，以及精神或身體原因等3類。違章違紀指作業人員故意不遵守規章制度和操作規范，顯然是操作者有意為之；誤操作誤碰觸、精神或身體原因更多的是由于作業人員的精神和/或身體狀態未達到預期結果，并非操作者主觀上愿意發生的。

1.2 事故反饋層

地鐵運營系統的特性使得事故后處置的及時性和合理性變得極其重要。事故處理不及時是指事故發生后未被發現或發現后未能第一時間進行處置，就會導致事故的進一步擴散；事故處理不當指在事故處理過程中所采用的方法、措施等不合理，未能有效遏制事故的蔓延，反而擴大事故影響或造成了新的事故發生。

綜上所述，HFACS-MA模型針對地鐵運營系統特點，增加事故應急處置的反饋層，以更全面地分析影響地鐵事故發生及蔓延的人為因素。

2 地鐵事故致因鏈分析方法

預防地鐵事故發生的屏障出現層層漏洞，就會產生一系列危險因素，形成事故致因鏈，最終導致事故的發生。本文運用關聯規則，采用Apriori算法進行地鐵事故人為致因鏈的分析。

2.1 關聯規則

關聯規則是形如X→Y的蘊涵式，包括數據項、項集、頻繁項集、支持度、置信度等屬性，旨在尋找大量數據背后難以被發現的相互關系。其中，支持度反映關聯規則的有用性，置信度則是對規則確定性的描述。

2.2 Apriori算法及實施步驟

Apriori算法是基于兩階段頻集核心思想的遞推算法。計算步驟如下：

步驟1： 掃描地鐵事故數據庫，生成候選1-項集和頻繁1-項集。

步驟2： 進入循環步驟，由頻繁k-1項集生成頻繁k項集，從k-2項集開始循環，步驟如下：①對項集中的所有項進行排序；②連接步,L(k-1)與其自身進行連接，產生候選項集C(k)；③剪枝步,刪除C(k)中不是頻繁項集的元素；④再次掃描數據庫，計算③中過濾后的k-項集的支持度，刪除小于設定最小支持度的項集，生成頻繁k-項集。

步驟3：當生成的頻繁k-項集中只有1個項集時循環結束。

依據經驗設置相應支持度及置信度值，對數據庫進行處理即可得到隱含的事故致因鏈。

3 地鐵事故致因鏈的建立

3.1 地鐵事故來源及處理

由于地鐵事故屬于小樣本事件，可采集的數據樣本較貧瘠。本文通過查閱書籍、互聯網以及地鐵公司內部資料等方式，分析了30起地鐵事故案例(T1—T30)。基于HFACS-MA模型，對地鐵事故產生影響的5個層級、共27個影響因素進行編號，并對地鐵事故報告逐層詳細地分解分析，統計結果如圖2所示。

圖2 地鐵事故案例分析統計棋盤圖

3.2 基于Apriori算法的事故致因鏈分析

根據HFACS-MA模型可知，同一層級的事故致因會互相影響；不同層級之間的致因因素影響關系一定是上一層級因素的發生會導致下一層級因素的發生，也可躍層影響后面各層級因素的發生。本文通過相鄰兩個層級的多次迭代，最終選取的支持度Min，sup與置信度閾值Min，conf分別為0.3和0.7。本文分別計算了事故致因層間各因素以及事故反饋層與事故致因層間各因素的支持度與置信度，結果如表2和表3所示。由該結果表示的地鐵事故致因鏈圖如圖3所示。

表2 地鐵事故致因層間因素關聯度分析表

表3 地鐵事故致因層與反饋層間因素關聯度分析表

由圖3可知，在地鐵事故致因層中，影響因素最多的為組織影響層，可見深層級的組織影響是極易發生且影響深遠的。其中，設備資源(A3)是最易受到影響的因素，主要是因為設備采購與配置處于組織流程中較后的位置，很容易受到其他因素的影響。在不安全的監督層中，監督不力(B1)是受影響最多的因素。人力資源(A1)、設備資源(A3)、組織程序(A8)和監督違規(B4)都會直接造成監督不力，進而導致班組同事作業不規范、違規作業，最終導致地鐵事故的發生。

圖3 地鐵事故致因鏈圖

事故致因層與反饋層間也存在關聯關系。事故致因層中部分因素的發生會影響事故應急處置的效果，事故應急處置的情況又實時反饋至事故致因層。由此可見，及時準確地做好事故應急處置會很好地遏制事故的進一步蔓延，減小事故損傷。

3.3 地鐵事故管控措施建議

1) 做好前期的工作規劃，保障工作的實施與推進。確保所有規章標準的制定、設備的采購與安裝、人員的招聘與培訓等嚴格按照前期規劃進行，避免從根源埋下隱患。

2) 培養安全第一的公司文化，健全全面監督的監督體系。保障人人重視安全、人人都是監督者的良好安全形勢。

3) 建立健全應急演練機制。重視日常應急演練培訓，確保工作人員技能熟練，有效減少事故反饋層與事故致因層之間的關聯。

4 結論

1) 本文構建的HFACS-MA模型，更好地反映了地鐵事故應急處置的特點。該模型提供了完整的事故調查分析與決策工具，更加適應地鐵事故的分析研究。

2) 采用Apriori算法，有效分析事故致因鏈，可以進行事故的預防,為同類事故發生時的處置提供現場支持,對事故的事后定責和整改亦可以提供系統科學的理論支持。

3) 由于地鐵事故案例的稀缺，導致HFACS-MA模型還未能作為普適性的地鐵行業事故分析模型進行推廣。還需進一步豐富數據庫中事故案例樣本，增強模型的行業普適性。