人因視角下煤礦機電事故致因分析

邵良杉 ，楊金輝 ，趙 津

（1.遼寧理工學院，遼寧 錦州 121010；2.遼寧工程技術大學 工商管理學院，遼寧 葫蘆島 125105；3.天津理工大學 管理學院，天津 300384）

近年來，煤炭開采不斷朝著高產能、集約化方向發展，煤礦機電設備的種類、數量和載荷不斷增大，對人員的知識儲備和操作熟練度提出了更高要求[1]，導致煤礦機電事故在煤礦事故中所占比例不斷上升。機電事故對其他事故存在誘發性[2]，呈現出不安全行為的重復性、設備關聯的獨立性和事發地點的隨機性等特點，使得從事故表象和監控數據等角度開展系統性的事故致因研究存在困難。當前國內外學者普遍認為人為因素是導致煤礦事故的重要原因[3]，這一特征在煤礦機電事故中尤為明顯[4]。因此，從人因視角探索煤礦機電事故致因與演化，是防控事故的合理手段。

針對人因視角下煤礦事故的致因和演化，國內外學者開展了大量研究。LIU 等[5]結合人因分析與分類系統 (Human Factors Analysis Classification System,HFACS)和結構方程模型，對礦工不安全行為的影響因素進行評估；段軍等[6]結合粗糙集和模糊理論對煤礦事故人因失誤進行綜合評判，從定量角度評價人因失誤對事故的影響；牛莉霞等[7]提出分析壓力對礦工人因失誤的作用關系的壓力源-礦工倦怠-人因失誤假設模型，驗證了管理對人因失誤的調節作用。鮮有學者對煤礦機電事故中的人因失誤進行研究，鑒于此，基于近10 年煤礦機電事故案例，通過改進的HFACS 從人因視角識別煤礦機電事故致因，構建復雜網絡理論模型，分析事故致因，以期為防控煤礦機電事故提供借鑒參考。

1 研究方法

1.1 HFACS 的改進

HFACS 是分析人因失誤的有力工具[8]，最初誕生于航空事故人因分析。航空事故與煤礦事故區別有：①煤炭行業行政監管力度與事故概率呈反比，平均每起重大煤礦事故中，因監管不力而被處罰的行政人員達25 人以上[9]；因此，改進的HFACS 應充分考慮行政監管因素；②煤礦事故的組織因素更復雜，管理失誤的表現形式更豐富[5]，例如，礦井班組勞動力素質通常低于航空機組，但擁有更大自主性，使得以班長為代表的管理者的個人能力成為礦工行為的不穩定因素。

鑒于此，結合現有研究[5]，將“不安全監督”分解為行政監管與組織監督，細化組織因素的影響，從行政監管（A）、組織因素（B）、不安全行為的前提（C）和不安全行為（D）4 個層級改進HFACS，改進后 HFACS 如圖1。

圖1 改進后HFACSFig.1 Improved HFACS framework

1.2 復雜網絡理論

復雜網絡是以網絡拓撲結構將數據可視化，通過節點和邊反映實體間關系，對現實世界復雜系統進行抽象建模的方法[10]。在研究中，將事故致因抽象為網絡節點，將事故致因鏈抽象為網絡有向邊，構造致因網絡對機電事故進行分析。

復雜網絡的準確度與邊的判斷有直接關系，為提升準確度，邀請p位專家作為評價者判斷復雜網絡有向邊，并從學位、從業時間、職稱和專業相關度4 個緯度衡量評價者可靠度，評價者可靠度指標見表1。

表1 評價者可靠度指標Table 1 Evaluator reliability indexes

令cab為 第a位 評價者的第b個緯度的得分，則第a位評價者的可靠度Fa為：

設F為有向邊的存在指數，當F＞0.7時，視為有向邊存在，則F為：

式中：p為專家個數。

1）節點的度是入度和出度之和，出度高表明該節點容易對其他節點產生影響，入度高表明該節點易受其他節點影響。

2）聚類系數代表了節點與相鄰節點間的密切程度。設Gi為節點i的 聚類系數，Hi為與節點i實際相連的邊數量，則Gi為：

式中：Ii(Ii-1)為 節點i理論上最大的邊數量。

3）節點的介數中心度反映了該節點在網絡中的中轉能力。設Lef為節點e和節點f之間存在的最短路徑數量，Lefi為節點e和節點f之間存在的最短路徑途徑節點i的數量，則節點i的介數中心度Ji為：

4）接近中心度值越大說明節點越接近網絡中心。設節點i和 節點j之間存在最短路徑且長度為gij，則節點i的接近中心度Ki歸一化后為：

2 人因視角下煤礦機電事故致因分析模型

2.1 事故致因的識別

整理監管部門及煤礦安全網公布的煤礦機電事故調查報告144 份，所整理報告均來自2013—2022 年，且包含事故經過、事故原因、事故處理和預防措施。在144 起事故中；一般事故128 起，占比88.89%；較大事故13 起，占比9.03%；重大及以上事故僅有3 起，占比2.08%。經統計，144 起事故共造成傷亡人數109 人，高頻事故致因有組織監督不充分和員工違章等。

邀請10 位從事煤礦機電管理的從業人員，依照改進的HFACS，從所收集案例中總結出事故致因47 個，煤礦機電事故致因體系表2。另外，將事故后果識別為設備故障、經濟損失、工時損失和人員傷亡，分別為E1～E4。

表2 煤礦機電事故致因體系Table 2 Index system for electrical accidents in coal mine

2.2 致因網絡的構建

另外邀請10 位煤礦機電相關從業人員作為邊的評價者，判斷致因網絡有向邊，依據式（1）依次計算10 位評價者的可靠度，依據式（2）依次對每一起案例中事故致因關系進行判斷，共得到滿足存在指數的524 個有向邊次和193 個致因鏈。煤礦機電事故的發生具有不確定性，但仍有規律可循。根據HFACS 模型，每一起事故均為外部監督、組織因素、不安全行為的前提條件和不安全行為相互作用的結果，因此基于每一起事故案例構建的致因鏈所涉及的事故致因會存在大量重復。為去除冗余信息，需要對致因鏈進行合并[11]。以慈林山等煤礦發生的機電事故中的B22→C53→D11→E1、C13→D21→E1、B32→B21→E13 條 致因鏈為例，按照鏈路化→矩陣化→網絡化的步驟構造致因網絡。先將致因鏈構建成鄰接矩陣，矩陣中“1”表示相交于此的該行該列致因有影響關系，“0”表示無影響關系，然后，將矩陣圖形化為致因網絡，致因鏈的合并過程如圖2。

圖2 致因鏈的合并過程Fig.2 Merging process of causal chains

將所有致因鏈合并為網絡后，借助Gephi 軟件建立包含4 個事故節點、47 個事故致因節點與216 條有向邊的煤礦機電事故致因網絡模型，依照Fruchterman Reingold 布局如圖3。

圖3 煤礦機電事故致因網絡Fig.3 Network of electromechanical accidents

該致因網絡直徑為7，網絡的聯通性較好。平均路徑長度為2.61，即事故致因平均經過2.61 次變動即可穩定變為另一事故致因，網絡存在較大不穩定性，同時網絡平均聚類系數為0.22，該網絡具有小世界特性。

2.3 網絡節點指標分析

分別整理度值、聚類系數、介數中心度和接近中心度4 項網絡指標值最大的10 個節點，各網絡指標值排序見表3。

表3 各網絡指標值排序Table 3 The order of each network indicator value

出度較高的節點有機電管理混亂B61、組織監督不充分B41和 未嚴格遵守作業規程B64，表明這些節點能影響更多其他節點，對事故的誘導作用較大；入度較高的節點有礦工習慣性違章D11、個體安全意識差C53和 組織安全隱患治理不充分B43；總度值較大的節點集中于組織因素層級，組織的管理對煤礦機電事故有重要影響。聚類系數較大的節點有組織機構職責不清B12、組織未按時開展專項檢查B44、物理生產環境差C11和圖紙臺賬造假C32等，與這些節點相連的節點也應提高重視。介數中心度較大的節點有組織監督不充分B41、機電管理混亂B61、礦工技能失誤D21和個體安全意識差C53等，在煤礦機電事故中起重要中轉作用，組織未編制預案措施B51和 組織安全負責人B63不在崗2個節點，度值低但介數中心度高，在日常生產中易被忽略，需格外關注。接近中心度較大的節點有采煤方法違規C22、物理環境差C11、監測系統作假C31和 護具管理混亂B65。

3 煤礦機電事故不安全行為演化路徑分析

3.1 關鍵致因與關鍵致因鏈的識別

度值、聚類系數、介數中心度和接近中心度4 項網絡指標均能反映節點的部分屬性，但單一指標無法完整反映節點對于網絡的影響，需要綜合考慮各項網絡指標，對關鍵致因進行識別。設Omn{m=1,2,3,···,47;n=1,2,3,4}為 第m個節點的第n個網絡指標值，構建節點指標矩陣L為：

由于4 項指標值在數量級上差距過大，因此對各節點的每一項網絡指標值Oms進行min、max標準化處理，使4 項網絡指標值等比例縮放到同一數量級，為關鍵致因的識別做準備。設O*is為標準化處理后的節點i的 第s個網絡指標值，則有：

在標準化處理后，每一個節點的4 項網絡指標值均處于同一數量級，此時對4 項網絡指標值加和即可得到節點的關鍵度，則節點i綜合考慮網絡指標后的關鍵度Mi為：

經計算，組織監督不充分、組織機電管理混亂和個體安全意識差是造成機電事故的最關鍵的事故致因，關鍵度最高的前20 個致因如圖4。圖中：①為有向邊（B31,C53）；②為有向邊（B53,D11）；③為有向邊（B63,B41）；④為有向邊（B41,B61）；⑤為有向邊（B61,E4）；⑥為有向邊（B41,B43）；⑦為有向邊（D21,E4）；⑧為有向邊（D21,E1）；⑨為有向邊（C13,E1）；⑩為有向邊（B41,E1）；?為有向邊（B61,B41）；?為有向邊（A11,B41）；?為有向邊（D11,E4）；?為有向邊（B61,E1）；?為有向邊（C53,E4）；?為有向邊（B64,D12）；?為有向邊（B31,B41）；?為有向邊（B61,C53）；?為有向邊（B41,D11）；?為有向邊（B44,E1）。

圖4 關鍵致因與關鍵致因鏈Fig.4 Key causes and key critical links

僅識別關鍵致因，不足以為事故防控提供充足參考，進一步計算各邊風險度，識別關鍵致因鏈。節點i指向節點j的有向邊為 (i,j)，邊 (i,j)在144 起案例中的頻數為P(i,j)，節點i和節點j的頻數分別為Pi和Pj，則有向邊(i,j) 的致災率N(i,j)為：

設網絡模型中去除有向邊(i,j)后的平均路徑長度為U(i,j),有向邊 (i,j)的 介數為T(i,j)，則有向邊(i,j)的脆弱度S(i,j)為：

設節點的度為Vj，則有向邊 (i,j)的風險度W(i,j)為：

經計算，風險度最高的致因鏈為由組織安全教育不足導致的個體安全意識差、由安全負責人不在崗導致的組織安全監督不充分和由個體安全意識差導致的礦工習慣性違章。將各邊風險度歸一化處理。

3.2 不安全行為主要演化路徑

由HFACS 模型得層級D是礦工的不安全行為是導致煤礦機電事故的直接原因，厘清不安全行為的演化路徑，對直接預防煤礦機電事故的發生具有重要參考意義。取關鍵度高于平均值的致因節點和風險度高于平均值的邊，以D11、D12、D21、D22和D235 個不安全行為節點為目標節點，構建的煤礦機電事故不安全行為主要演化路徑如圖5。其中，邊的權重通過統計144 起事故案例中節點間因果關系的頻次來確定，通過四分法將邊的頻次按大小劃分為4 層，頻次越大表明邊的重要性越大，誘發概率越高。

圖5 煤礦機電事故不安全行為主要演化路徑Fig.5 The main evolution path of unsafe acts of electromechanical accident in coal mine

從不安全行為的表現形式來看，礦工違章在出現頻次和演化方式上均多于礦工失誤，礦工違章是防控機電事故的重點。從改進的HFACS 劃分的4 個層級來看，組織因素和不安全行為的前提條件是造成不安全行為的主要原因。在組織因素層級中，組織的教育培訓不足成為不安全行為演化過程的重要源頭，組織對安全生產的監督不力和對機電管理的混亂也是促成不安全行為的重要原因。在不安全行為前提條件層級中，礦工的個體因素是最為顯著的原因，此外，環境因素和管理者的違章指揮也在演化路徑中扮演重要角色。

4 結語

提出了1 種基于HFACS 和復雜網絡理論的煤礦機電事故致因與演化的研究方法，以改進的HFACS 為參照，結合專家經驗對事故案例進行判斷，構建了人因視角下的煤礦機電事故致因網絡。該方法采用評價者可靠性修正主觀影響，借助網絡指標評估事故致因重要性，綜合各項指標識別關鍵事故致因和致因鏈，并構建不安全行為主要演化過程，為煤礦機電事故的防控提供理論支撐。

煤礦機電事故致因網絡具有小世界特性，組織安全監督不充分是最關鍵的事故致因，安全教育不足導致的個體安全意識差是最重要的致因鏈，不安全行為的主要演化路徑為：組織的安全教育不足、監督不充分→個體安全意識差→不安全行為徑。

通過強調事故案例的時效性，導致樣本僅包括144 起事故，樣本量仍有可提升空間。煤礦機電事故涉及因素較多，受限于HFACS 模型，僅強調從人因的視角探討事故致因。后續應在豐富樣本量和拓展致因角度下開展研究。