基于麻雀搜索算法優化BP神經網絡的建筑工人不安全行為風險評價

摘要：建筑施工企業安全管理的重點是減少建筑工人不安全行為風險。從組織管理、個體、生產作業與社會環境4個方面識別影響因素并構建建筑工人不安全行為風險評價指標體系。通過BP神經網絡法將指標進行網絡輸出，同時編制預警問卷。由于傳統的BP神經網絡法存在評估精度較低的缺陷，無法對相關指標進行優化，因此引入麻雀搜索算法（SSA）。使用麻雀搜索算法優化BP神經網絡法，建立建筑工人不安全行為風險評價模型，并對該模型進行訓練及測試。通過對比發現，經麻雀搜索算法優化的神經網絡法較傳統的BP神經網絡法具有更好的收斂性與精確度，在建筑工人不安全行為風險預測方面更具可參考性。

關鍵詞：建筑工人；不安全行為；BP神經網絡；麻雀搜索算法（SSA）

0 引言

建筑安全事故頻發是建筑業長期存在的問題，嚴重阻礙

了建筑業持續良好的發展。建筑工人不安全行為造成的建筑事故會導致直接經濟損失與人員傷亡，因此對建筑工人不安全行為進行研究具有理論與現實意義。現階段主要采用事前風險規避的方式對建筑工人不安全行為進行控制，同時對其危險因素進行規避，現階段研究普遍具有單一因素分析的特點。

目前，學者們主要集中于心理因素、生理因素等特定影響因素對建筑工人不安全行為進行研究。主要采用結構方程模型、層次分析法或傳統的BP神經網絡法等方法。例如，周建亮等^[1]通過使用結構方程模型研究職業倦怠、工作壓力等對建筑工人不安全行為的影響。葉貴等^[2]通過中介調節效應，研究體力疲勞等因素對建筑工人不安全行為的影響。劉素霞等^[3]通過構造CA傳染模型，分析建筑工人不安全行為的傳染機制，探析不同跟隨方式、分布模式與抑制率對不安全行為的作用機制。莫俊文等^[4]通過系統動力學方法，研究偏執心理與敵對心理的共同作用對安全行為影響的作用機理。

針對建筑工人不安全行為的研究多為單一風險因素研究，很少將影響因素進行匯總整合，對其風險評價具有一定的局限性。同時，在預測方法上，隨機森林或神經網絡預測方法較多，但是結合集群智能算法的方法較少。因此，本文首先通過分析建筑工人不安全行為風險因素，確定各影響因素的占比權重，其次構建不安全行為指標體系，最后基于BP神經網絡法建立不安全行為風險評價。但是，傳統的BP神經網絡法存在易陷入極小值與權值閾值過于隨機的缺陷，因此，本文通過麻雀搜索算法（SSA）這一集群智能算法對BP神經網絡法進行優化，以提高其穩定性與準確性，建立基于SSA-BP的建筑工人不安全行為風險評價模型。

1 指標體系構建

建筑工人不安全行為風險因素涉及范圍較廣。首先通過文獻分析，根據現有的研究成果獲得數量眾多的建筑工人不安全行為指標，并根據專家訪談調查、談論分析、文獻分析與事故統計分析對風險因素進行篩選，最終確定出4個一級指標，即組織管理因素、個體因素、生產作業因素、社會環境因素^[5]，以及20個二級指標，形成建筑工人不安全行為風險評價指標體系，見表1。

在識別出建筑工人不安全行為風險因素后，邀請10名建筑工程領域相關專家對各因素的重要程度進行打分，包括4名建筑施工單位項目經理，3名建筑監理單位專家，以及3名政府相關機構安全負責管理人員。采用10分制打分法，將最后的分數進行權重分析。評價指標權重見表2。

2 麻雀搜索算法優化BP神經網絡

2.1 麻雀搜索算法（SSA）

BP神經網絡是通過誤差反向傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一^[6]。建筑工人不安全行為風險的BP神經網絡評價模型選用包含輸入層、隱含層與輸出層的三層前饋結構^[7]。BP神經網絡自適應能力強且具有非線性逼近的特點，但在實際應用時也存在權值與閾值隨機、易陷入極小值、模型穩定與準確性較差的特點。因此，為降低其網絡推廣能力局限，本文通過使用麻雀搜索算法對BP神經網絡進行優化，以提高該模型的準確性與精確度。

麻雀搜索算法（Sparrow Search Algorithm，SSA）是一種集群智能優化算法^[8]，基于麻雀覓食與反捕食行為，主要分為發現者及加入者，部分自身能量高的個體作為發現者進行食物搜尋，其余作為加入者追隨發現者獲取食物。種群中存在10%～20%的麻雀作為警戒者在種群外圍對可能出現的捕食者做出反應，并且為了保證安全而根據示警信號改變覓食區域。同時，發現者、加入者與警戒者的身份不斷動態變化^[9]。

發現者位置更新公式如下

式中，X_ij為種群中麻雀所在位置；t為當前迭代數；iter_max為最大迭代次數，α為（0，1]的隨機數；ST為[0.5，1]的安全值；R₂為[0，1]的警戒值；L為一行多維全一矩陣；Q為隨機數。

加入者位置更新公式如下

式中，X_p為發現者的最優位置；X_worst為當前全局最差位置^[10]；A為一行多維矩陣，各元素隨機賦值為1或-1，A⁺=A^T（AA^T）^-1。

警戒者位置更新公式如下

式中，β為步控參數；X_best為當前最佳位置；f_g為當前全局最佳適應度；f_i為第i個麻雀的適應度值；f_w為當前全局最差適應度值；K為隨機數；ε為避免分母為零的常數。

2.2 SSA-BP模型構建

為了便于對比BP神經網絡與SSA-BP神經網絡的預測精度，兩種方法均采用4個一級指標20個二級指標構建模型。BP神經網絡將數據歸一化后作為網絡輸入，將期望值作為網絡輸出，在MATLAB R2018a軟件中，預測輸入數據為20層，輸出數據為1層。設置訓練次數為1000次，目標最小誤差為0.000 1，學習速率為0.01，顯示頻率為25，動量因子為0.01，最小性能梯度為1e-6^[11]，通過反復運行最終選取均方根誤差最小值時隱含層節點的個數6，形成最終20-6-1的網絡結構，并建立SSA-BP神經網絡風險評價模型。SSA-BP神經網絡風險評價模型建立流程如圖1所示。

3 實驗結果及分析

按照表1，邀請專家對建筑工人不安全行為評價指標體系進行評分，風險等級表見表3。共收集120份有效數據，根據各指標權重與評分值得到最終期望值，形成樣本數據，見表4。

將120份數據分為兩部分，前110份為訓練樣本，后10份為檢測樣本。通過MATLAB軟件分別進行傳統的BP神經網絡訓練與SSA-BP神經網絡訓練。訓練樣本結束訓練后，用10組檢測樣本分別對兩種神經網絡方法進行20次擬合評估，選取誤差結果最小的BP神經網絡和SSA-BP神經網絡。BP神經網絡擬合效果圖如圖2所示，SSA-BP神經網絡擬合效果圖如圖3所示。

檢驗結果誤差分析見表5。BP神經網絡與SSA-BP神經網絡誤差對比效果圖如圖4所示。

由圖4可知，BP神經網絡的誤差范圍波動較大，SSA-BP神經網絡的誤差波動較小，近似平滑直線。因此，相對于傳統的BP神經網絡，SSA-BP神經網絡更具準確。

4 建議

建筑工程項目人員往往具有地域性、流動性、低文化水平與崗位復雜性的特點，導致建筑工人不安全行為產生機制較為復雜。通過構建組織管理、個體、生產作業與社會環境4個方面的風險評價指標體系，從個人、輿論、企業、政府、生產工具5個方面提出相應的防控對策。

個人方面，應增強安全保護意識，提高安全警惕性，建立“建筑安全無小事”的工作心理。社會輿論方面，應加強對建筑行業安全的關注，多宣傳建筑安全知識。企業組織方面，應健全相關組織體系，提高安全領導能力。政府方面，建議定期對項目進行安全巡查，對安全隱患堅決打擊，杜絕安全隱患發生^[5]。生產工具方面，應保持人機匹配，定期淘汰不安全與折舊程度較高的設備與生產工具，加大生產工具資金投入，提高生產力與安全性能。

5 結語

（1）本文建立了基于SSA-BP的建筑工人不安全行為風險評價模型，構建了以組織管理因素、個體因素、生產作業因素、社會環境因素為主的4個一級指標與20個二級指標，通過專家打分法判斷各指標的權重，同時求得各二級指標的綜合權重。

（2）建立了20-6-1風險因素網絡結構，但相關指標還可進一步優化與細化。

（3）引入麻雀搜索算法（SSA）對傳統的BP神經網絡進行優化，避免其權閾值過于隨機而出現局部最小值的情況，提高其精確度。

（4）對比驗證SSA-BP和傳統的BP神經網絡，SSA-BP神經網絡更具優越性。

參考文獻

[1]周建亮，胡飛翔，邢艷冬，等.工作壓力、職業倦怠對建筑工人不安全行為的影響[J].中國安全科學學報，2022，32（11）：14-22.

[2]葉貴，越宏哲，馮新怡，等.建筑工人不安全行為的認知失效致因仿真研究[J].中國安全科學學報，2020，30（11）：6-12.

[3]劉素霞，唐帥帥.基于CA的建筑工人不安全行為傳染機制[J].中國安全科學學報，2023，33（1）：24-31.

[4]莫俊文，崔利兵.偏執心理和敵對心理對建筑工人不安全行為的影響研究[J].工程管理學報，2023，37（1）：135-140.

[5]石娟，常丁懿，鄭鵬.基于BP神經網絡的建筑工人不安全行為預警模型[J].中國安全科學學報，2022，32（1）：27-33.

[6]冷旭，何靜，張俊忠，等.基于BP神經網絡的海軍飛行員人為差錯安全影響評估[J].安全與環境學報，2014，14（4）：120-123.

[7]汪優，馬婷婷，王天明，等.基于BP神經網絡的人工單價動態預測模型研究[J].工程管理學報，2021，35（2）：39-43.

[8]薛建凱.一種新型的群智能優化技術的研究與應用[D].上海：東華大學，2021.

[9]黃友滔，黃喜兵.基于ANP與麻雀搜索算法優化BP神經網絡的裝配式建筑進度風險評價[J].工程管理學報，2022，36（6）：36-41.

[10]孟彩霞，吳迪，雷雨.基于麻雀搜索算法優化的BP神經網絡衛星鐘差預報[J].大地測量與地球動力學，2022，42（2）：125-131.

[11]宋健，叢秋梅，楊帥帥，等.改進麻雀搜索算法的RBF神經網絡水質預測[J].計算機系統應用，2023，32（4）：255-261.

收稿日期：2023-09-26

作者簡介：

韋海民（1971—），男，博士，副教授，碩士研究生導師，研究方向：工程安全項目管理。

呂靜（通信作者）（1996—），女，研究方向：工程安全項目管理。