基于灰色預測的鐵路運輸安全風險識別方法

王玉賀

（吉林鐵道職業技術學院，吉林省 吉林市 132100）

我國高速鐵路建設的快速發展以及新鐵路法規的逐漸完善，使得我國鐵路運輸得到了更快速的發展。隨著鐵路運輸速度逐漸提升，高鐵安全風險將更加凸顯，安全風險識別是鐵路運輸安全管理的重點和難點。如何有效識別出高鐵中存在的安全隱患，為鐵路運輸系統的運行安全提供科學決策依據是當前研究的重要課題。在鐵路運輸過程中，發生顛覆、碰撞、爆炸、火災等重大事故，對人類的生命財產都會造成極大的損害。當前，鐵道部高度重視安全生產，重點關注設備的更新和安全管理，把鐵路安全工作推向了一個新的高度[1]。盡管當前針對鐵路運輸安全提出了許多新的規程和規章制度，但由于對這些制度的不熟悉以及實際操作水平較低等因素的存在，對于鐵路運輸的安全會造成十分不利的影響[2]。同時，若當前仍然采用現有的安全管理模式及方法，會造成無法與新發展形勢相契合的問題，基于此，為提高鐵路運輸安全管理水平，引入灰色預測，開展對鐵路運輸安全風險識別方法的設計研究。

1 構建鐵路運輸安全風險因子指標體系

結合當前鐵路運輸的作業流程，對可能存在安全風險問題的節點進行劃分，利用HAZOP 分析方法，找出可能存在風險問題的所有關鍵點。在此基礎上，再選擇一個鐵路運輸作業流程的關鍵點，對其中可能存在風險的關鍵參數進行分析。再根據“引導詞+參數=偏差”的表示方式，確定偏差，此時得到的偏差即為后續風險識別所需的安全風險因子[3]。全面、系統地找出鐵路危險品運輸的安全風險因素，必須對分析節點進行細致、準確地提取。鐵路危險品的運輸是一個連續的、復雜的、變化的過程，在此基礎上對其進行節點的劃分要有一定的基礎[4]。而分析節點則是鐵路運輸過程中的關鍵環節，這些關鍵環節都有可能存在安全風險問題，因此通過構建安全鏈模型來對其進行分析，圖1 為鐵路運輸完整安全鏈模型示意圖。

以圖1 安全鏈模型，其中任何一個關鍵點出現問題都會造成安全風險問題的發展，因此可以此為依據，確定鐵路運輸中存在的安全風險因素，并以此構建鐵路運輸核心安全風險因子指標體系。鐵路運輸安全風險因子指標體系中共包含一級指標1 個、二級指標6個以及多個三級指標。

圖1 鐵路運輸完整安全鏈模型示意圖

一級指標為：鐵路運輸核心安全風險因子。

二級指標（三級指標）：業務辦理（貨、單不匹配；運單錯誤；漏檢等）、貨物包裝（未氣/液密處理；包裝過量等）、倉儲管理（未隔熱隔火；倉庫溫度過高；貨物放置不穩等）、裝卸（消防設施不足；無固定裝卸場所；未設置安裝設施等）、交接（未檢查；未核對等）、障礙物處理（地點錯誤；處理方式錯誤等）。

2 建立基于灰色預測的安全風險識別模型

在獲取到影響鐵路運輸安全的各個風險因子，并完成對指標體系的構建后，引入灰色預測，建立安全風險識別模型。灰色預測是指根據實際數據，預測未來某一時刻的趨勢，進而獲得預測結果的一種預測方法。在預測的過程中考慮了大量潛在的預測變量，同時也能對預測結果進行精確、定量處理得到準確數據[5]。因此可以有效地應用于鐵路運輸安全風險分析與預測之中。假設鐵路運輸每年發生安全事故的總次數為X，則根據總次數確定每年鐵路運輸發生安全風險事故的原始數據時間序列X（0）為：

在建立安全風險識別模型時，為使所得到的數據序列具有一定的規律性，必須對這些原始數據的時間序列進行生成。對上述原始數據時間序列X（0）進行一次累加生成，得到公式（2）：

由于每年鐵路運輸發生安全風險事故發生次數不可能為負數，因此對于非負數時間序列而言，其累積產生的次數愈多，數列的隨機程度愈低[6]。在累積產生的次數達到一定程度后，可以將以上的序列轉化為非隨機序列。經過多次累加后，針對具有較強分布規律的數列，對其進行灰色預測識別模型的微分形式建立：

公式中，u表示參數；a表示待識別參數。對上述待識別參數a進行求解，采用最小二乘法求解，其公式為：

3 運輸環節風險識別與排查

利用已有的安全風險識別模型，對鐵路運輸安全的風險進行識別與相關環節排查。通過日常實時監測、測量得到的故障特征值，將其輸入上述的安全風險識別灰色預測模型中，用于識別、排查和診斷。通過模型輸出的結果來判定目前鐵路運輸狀況及應采取的對策。為了保證識別和排查的精確性，選擇關鍵子環節作為故障模式，在進行風險識別時，所獲得的結果就是每個關鍵子環節的故障模式[7]。若輸出為“正常狀態”，說明目前的鐵路運輸狀況良好，無危險或潛在危險；如果輸出的是“故障狀態”，則意味著在鐵路運輸的時候，有一個重要的環節出現了問題，存在著安全隱患，必須立即進行檢查，以消除隱患。在確定風險發生的關鍵子環節，由有關部門要對風險進行分析、檢測，以找出風險、及時采取措施以排除險情[8]。為向運輸相關環節風險進行更準確的排查，對模型輸出結果的風險危機程度進行量化，并針對危機程度最嚴重的問題進行相關環節排查。在這一過程中風險危機程度的量化數值可通過下述公式計算得出：

<1)，且各件產品是否為不合格品相互獨立．

公式中，P表示風險危機程度量化結果；Sn表示某一關鍵子環節的識別模型輸出結果；En表示另一個與Sn比較的關鍵子環節識別模型輸出結果；i表示對應安全法風險因素存在會造成的直接或間接損失量化結果。根據上述論述，得出所有識別模型輸出結果的風險危機程度量化取值，按照取值從大到小的順序確定各個模型輸出結果的排查優先級，在排查后根據排查結果確定安全風險因子，并對相應環節加以處置。

4 對比實驗

結合本文上述論述，為實現對基于灰色預測的風險識別方法應用可行性的檢驗，并進一步得出該方法與其他現有識別方法相比具備的優勢，開展下述對比實驗研究。實驗過程中，選擇將本文基于灰色預測的識別方法作為實驗組，將基于神經網絡的識別方法作為對照I 組，將基于隨機森林的識別方法作為對照II 組。以某鐵路運輸企業為依托，獲取該企業某一鐵路運輸線路上某一時間段內的運輸數據，并將其作為實驗數據。將所有實驗數據集成為一個數據集，其中包含了運輸起始時間、運輸結束時間、運輸貨物量以及對運輸安全可能造成影響的多種因素相關數據。分別利用三種識別方法對數據集中包含了5 組運輸路徑上可能會發生的安全風險進行識別，并將識別結果與實際情況進行對比。從獲取到的相關資料中得出，提取到的5組運輸路徑中，包含路徑1、路徑2、路徑3、路徑4、和路徑5，其中路徑1、路徑2 和路徑4 都出現了安全風險事故問題，具體出現的環節分別為倉儲保管環節、裝卸環節以及途中交接環節。表1 為鐵路運輸中可能出現安全風險事故的環節與對應編號。

表1 鐵路運輸出現安全風險事故的環節與對應編號

在此基礎上，完成三種識別方法的安全風險識別。表2 中記錄了三種識別方法的識別結果，其中包含是否識別出安全風險，以及若存在安全風險，安全風險出現的具體環節。

表2 三種識別方法識別結果記錄表

結合上述三種識別方法得出的識別結果可以看出，對照I 組識別方法對路徑3～路徑5 的是否存在安全風險給出了正確的識別結果，但識別出的具體環節不正確。對照II 組識別方法對路徑1、路徑2 和路徑4、路徑5 的是否存在安全風險給出了正確的識別結果，且路徑1 和路徑2 正確識別出了安全風險存在的具體環節，但其他路徑識別不正確。只有實驗組識別方法得出的識別結果與上述獲取到的該鐵路運輸企業資料中所示信息一致，實現了對5 條運輸路徑安全風險的準確識別。因此，通過上述對比實驗得出的結果能夠證明，將本文提出的基于灰色預測的識別方法應用到實際鐵路運輸安全風險識別當中，與其他現有識別方法相比，具備更高的識別準確性和識別精度，值得廣泛推廣和使用。

5 結語

通過本文論述，在引入灰色預測的基礎上，提出了一種新的風險識別方法，并結合實驗的形式實現了對這一方法的應用可行性驗證。然而由于鐵路運輸的復雜性和關聯性，在確定安全風險因子的存在后，必須考慮到危險源的存在，明確危險源對各個環節的影響，從而對鐵路運輸的安全、順利進行產生的不利影響進行具體分析。安全風險因子與安全隱患就是從這種聯系和影響之中產生的。因此，在接下來的研究工作中還將進一步尋找關鍵子環節與各個危險源之間的關聯性，并在進行風險識別的基礎上對關聯最大的危險源進行排查，消除隱患，以此充分發揮風險識別方法的應用作用，更好地保障安全風險識別的全面性和準確性，實現對事故的預判、預防和交通安全的保障。