基于PCA-TOPSIS耦合模型的煤礦安全生產管理評價

陽建新，李發菊，段偉強

(1.海南地質綜合勘察設計院，海南 海口 570002；2.華北有色工程勘察院有限公司，河北 石家莊 050021；3.河北省礦山地下水安全技術創新中心，河北 石家莊 050021)

0 引 言

煤炭是我國的主體能源和重要的工業原料，煤炭產業也是我國重要的能源支柱性產業，為國民經濟和社會平穩快速發展以及國家能源安全穩定供應提供了有力保障[1-2]。然而，我國煤炭資源的地質環境復雜且地質構造發育，造成開采難度大、各類災害頻發等問題，給國家帶來了巨大的經濟損失[3]。“十三五”期間，在我國持續推進煤炭供給側結構性改革政策的背景下，煤炭行業通過設備智能化升級改造、加強從業人員培訓與管理等手段，實現了煤礦安全生產形式的高速提升[4-5]。我國的原煤產量和百萬噸死亡率的演化過程如圖1所示。

圖1 我國原煤產量和百萬噸死亡率演化過程Fig.1 Evolution process of raw coal production and million ton mortality in China

煤礦生產全流程的潛在事故危險源種類繁雜，安全生產管理要素眾多，主要包含人員要素、設備要素、環境要素、管理要素四方面[6-8]。因此，本文通過建立量化評價模型，對煤礦的安全生產管理水平進行評價，可以有效地掌握其安全生產管理現狀，對于提高煤礦的安全管理水平，避免由于安全管理失誤導致事故的發生有重要作用[9-12]。因此，本文參考了安全科學理論中的事故致因“4M”要素理論，從人員要素、設備要素、環境要素、管理要素四方面分析了礦山安全管理評價的影響因素，采用主成分分析法確定了各影響因素的權重，并結合優劣勢距離法構建了礦山安全管理評價模型，對陜西省北部榆神府礦區的六個典型煤礦的安全生產管理水平進行了量化評價，對指導煤礦提升安全管理水平提供了一定的參考。

1 研究區概況

榆神府礦區位于陜西省榆林市北部，其地理坐標為109°08′24″E～110°27′59″E，38°19′33″N～39°11′23″N，總面積為6 334 km2。榆神府礦區主要地形地貌為風沙灘地、黃土丘陵、河流河谷，是我國陜北地區重要的煤炭能源與化工基地。礦區上覆地層自上而下分別由第四系風積砂層(Q4)、離石黃土(Q2l)、保德紅土(N2b)、侏羅系安定組(J2a)、直羅組(J2z)、延安組(J2y)組成，主采煤層為2-2號煤層，典型地質剖面如圖2所示。榆神府礦區范圍內廣泛分布第四系薩拉烏蘇組風積砂潛水含水層，該潛水含水層由湖相沉積細砂和中粗砂組成，結構疏松、孔隙大、水資源豐富，滲透系數為1.75～3.44 m/d，埋藏深度為0.5～4.6 m。該潛水含水層是當地重要的生活、工業和農業用水水源，也是維持地表植被生長的生態用水，該潛水含水層的流向受下伏黃土層的控制，一般從礦區的東北向西南流動。

圖2 榆神府礦區典型地質剖面Fig.2 Typical geological profile of Yushenfu Mining Area

榆神府礦區煤炭資源稟賦條件優越，但由于近些年連續的高強度開采，各類生產安全事故時有發生，例如突水潰砂事故、機電事故、頂板事故、煤與瓦斯突出事故等，給煤礦企業的安全生產管理帶來了巨大的壓力。本文通過對榆神府礦區的六個典型的煤礦的深度調研，結合文獻資料的收集與整理，得到了各煤礦的安全生產相關數據，用于量化評價其安全管理水平。

2 煤礦安全生產管理評價因素體系

煤礦安全生產管理是一項涉及眾多因素的工作，煤礦的安全管理水平直接決定了該煤礦的安全形勢，尤其是在目前地殼淺部煤炭資源逐漸枯竭，煤礦的開采深度與開采強度逐漸增加的情況下。據統計，目前煤炭資源的開采深度正在以5～10 m/a的速度向地殼深部進軍[13]。進入深部開采后，開采條件將更加復雜，如工作面的水壓升高、開采擾動范圍增大、溫度與濕度急劇升高，由此造成人員的有效工作時間減少、設備的故障率顯著升高，礦井深部涌水量也必將明顯增加，主要體現在煤層頂板來水量增加以及煤層底板水壓升高等，這些客觀因素導致煤礦的安全管理形勢將更加嚴峻。由此可見，煤礦安全生產管理對于保證煤炭資源的安全、高效開采至關重要。

煤礦安全生產管理是一個涉及多學科、多要素的復雜過程，這就要求從事煤礦安全生產管理的人員要掌握多學科方向的理論知識，包括采礦、地質、安全、機械、管理、經濟等[14]。導致煤礦安全生產事故的發生的因素主要包括人為不安全行為(Men)、設備的不安狀態(Machinery)、環境的不良影響(Medium)、管理的欠缺(Management)，在安全科學理論中被稱為事故致因“4M”要素理論[15-16]。通過辨識煤礦事故系統要素，應用于事故預防的戰略思維中，事故中“4M”是事故形成的致因，同時也是建立預防事故和安全保障系統的戰略因素。由此理論出發，本文從人員要素B1、設備要素B2、環境要素B3、管理要素B4四方面分析了礦山安全管理評價的影響因素，其中人員要素B1主要包含人員三違率C1、人員最高學歷C2、人員平均工齡C3、專業技術人員比例C4；設備要素B2主要包含機械化程度C5、設備的故障率C6、設備的維護周期C7、百萬噸設備的價值C8、設備的更新改造率C9；環境要素B3主要包含礦井最大涌水量C10、粉塵最大濃度C11、瓦斯突出頻率C12、工作面溫度C13；管理要素B4主要包含安全制度完善率C14、安全措施完善率C15、安全培訓周期C16、安全事故控制水平C17。圖3為煤礦安全管理評價因素體系，主要是參考和借鑒了文獻資料中對影響煤礦安全生產管理因素的分析，并進行了相應的整合處理[17-19]。

圖3 煤礦安全生產管理評價因素體系Fig.3 System of coal mine safety production management evaluation factors

3 PCA-TOPSIS耦合評價模型

3.1 PCA模型

主成分分析(principal component analysis，PCA)屬于一種數據降維的處理方法，可以將線性相關的原始變量重新整理為線性無關的新變量，其線性表達式見式(1)。

(1)

式中：Y1，Y2，…，Ym為確定的主成分；αm1，αm2，…，αmn為不同因素的協方差矩陣特征值對應的特征向量；X1，X2，…，Xn為各煤礦安全管理評價因素的標準化數據。

各煤礦安全管理評價因素的權重計算見式(2)。

(2)

式中：wj為第j個因素的權重；ci為第i個主成分對應的方差貢獻率。

3.2 TOPSIS模型

TOPSIS模型是多目標決策分析中常用的方法，也稱為優劣勢距離法，該方法根據有限數量的評價對象與理想化目標的接近程度來評價方案的優劣程度[20]，其具體步驟如下所述。

1) 構建加權標準化矩陣。結合各煤礦安全管理評價因素的權重和標準化公式(式(3)和式(4))，構建加權標準化矩陣見式(5)。

(5)

2) 確定評價因素正/負理想解。煤礦安全管理評價因素與煤礦的安全管理水平存在緊密的相關性。負相關因素的值越大，表明煤礦的安全管理水平越低；正相關因素的值越大，表明煤礦的安全管理水平越高。因此，發生安全管理事故的負理想解是正相關指數的最小值或負相關指數的最大值；發生安全管理事故的正理想解是正相關指數的最大值或負相關指數的最小值。 其確定公式見式(6)和式(7)。

(7)

3) 確定煤礦安全管理指數。 從第i個樣本到負理想和正理想的距離計算公式見式(8)和式(9)。

(9)

結合式(8)和式(9)確定煤礦安全管理指數計算公式見式(10)。

(10)

式中，SMIi為第i個樣本的煤礦安全管理指數，該數值越大，表明該煤礦的安全生產管理水平越高。

4 煤礦安全生產管理水平評價

通過對陜西省榆林市榆神府礦區六座煤礦的調研，結合文獻資料收集，得到了各煤礦的安全管理水平的主要影響因素的基礎數據，用于量化評價其安全管理水平。通過分析所有影響煤礦安全生產水平的評價因素，可以得到人員三違率C1、設備的故障率C6、設備的維護周期C7、礦井最大涌水量C10、粉塵最大濃度C11、瓦斯突出頻率C12、工作面溫度C13、安全培訓周期C16為成本型因素，即這些因素越小，表明煤礦的安全生產管理水平越高；人員最高學歷C2、人員平均工齡C3、專業技術人員比例C4、機械化程度C5、百萬噸設備的價值C8、設備的更新改造率C9、安全制度完善率C14、安全措施完善率C15、安全事故控制水平C17為效益型因素，即這些評價因素的值越大，表明煤礦安全生產管理水平越高。

采用SPSS軟件的因子分析模塊進行分析，采用主成分法提取公因子，應用最大方差旋轉法對因子模型進行旋轉。計算得到的主成分解釋方差貢獻率及主成分得分系數矩陣見表1和表2。由表1和表2可知，以特征值為1作為選取標準，可提取四個主成分，其累計貢獻率達到了97.464%，表明所提取的主成分已經包含了絕大多數原始數據，可以滿足主成分分析的要求。通過PCA模型的計算公式(式(2))可得煤礦安全生產管理評價因素的權重值見表3。

表1 主成分解釋方差貢獻率Table 1 Principal component decomposition variance contribution rate

依據PCA模型得到的各個煤礦安全生產管理水平評價因素的權重值，通過式(3)和式(4)可得到加權標準化矩陣，見表4。其中，效益型因素采用式(3)進行標準化，成本型因素采用式(4)進行標準化。 然后，根據式(6)和式(7)可獲得所評價的六個煤礦的正/負理想解集合，分別為：D+=(0.621，0.663，0.583，0.515，0.540，0.685)和D-=(0.628，0.631，0.646，0.722，0.745，0.615)。采用式(10)計算相對接近度，本文將其定義為煤礦的安全管理指數SMI，用來量化表征煤礦的安全生產管理水平，計算結果見表5。

表2 主成分得分系數矩陣Table 2 Principal component score coefficient matrix

表3 PCA模型計算得到的各評價因素的權重Table 3 Weights of each evaluation factor calculated by PCA model

表4 加權標準化矩陣Table 4 Weighted standardization matrix

表5 PCA-TOPSIS模型評價計算結果Table 5 Evaluation and calculation results of PCA-TOPSIS model

所定義的煤礦安全管理指數SMI的取值范圍為0～1，其中0≤SMI<0.25，則煤礦的安全管理水平為差；0.25≤SMI<0.50，則煤礦的安全管理水平為中；0.50≤SMI<0.75，則煤礦的安全管理水平為良；0.75≤SMI<1.00，則煤礦的安全管理水平為優。由圖4和圖5可知，本次調研的陜西榆神府礦區范圍內六個典型煤礦的SMI分布在0.473～0.584之間。通過SMI的分布可以看出，煤礦1、煤礦3、煤礦4、煤礦5的安全管理水平為良，煤礦2、煤礦6的安全管理水平為中；煤礦4的安全管理水平最好，煤礦6的安全管理水平最差。各個煤礦的安全管理水平排序為煤礦4>煤礦5>煤礦3>煤礦1>煤礦2>煤礦6。

圖4 基于PCA-TOPSIS耦合模型的正/負理想解距離Fig.4 Positive and negative ideal solution distance based on PCA-TOPSIS coupling model

圖5 各評價煤礦的安全管理指數分布Fig.5 Safety management index distribution of each evaluated coal mine

由此可見，研究區內六個煤礦的安全生產管理水平總體處于較好的水平。但是，通過實地調研發現，煤礦2和煤礦6存在工作面溫度通風不良問題，導致工作面溫度偏高；員工平均工齡較低，較為年輕化，且員工的安全培訓周期偏短，導致SMI偏低。 因此，煤礦2和煤礦6應該加強對年輕員工的安全培訓和完善工作面的通風系統，以提升安全管理水平。

5 結 論

煤礦的安全管理是一個涉及人員、設備、環境、管理等多方面的復雜系統。本文通過全面分析影響煤礦安全生產管理水平的因素，并采用數學模型進行量化分析，對陜北榆神府礦區范圍內六個典型煤礦的安全生產管理水平進行了評價，得到的主要結論如下所述。

1) 基于事故致因“4M”要素理論，本文從人員要素、設備要素、環境要素、管理要素四方面總結了影響煤礦安全生產管理水平的17個因素，并對其進行了量化處理。

2) 本文建立了煤礦安全生產管理的PCA-TOPSIS耦合模型，通過PCA模型得到了17個評價指標的權重，代入TOPSIS模型后得到了六個煤礦的安全管理指數SMI。

3) 本文所評價的陜西榆神府礦區六個典型煤礦的SMI分布在0.473～0.584之間，各個煤礦的安全管理水平排序為煤礦4>煤礦5>煤礦3>煤礦1>煤礦2>煤礦6。

4) 煤礦2和煤礦6應該加強對年輕員工的安全培訓和完善工作面的通風系統，以提升其安全生產管理水平。