基于WeFA与云模型的高铁信号人员安全素质评估研究

王耀安

(1.轨道交通工程信息化国家重点实验室，陕西 西安 710043；2.中铁第一勘察设计院集团有限公司，陕西 西安 710043)

随着“十四个五年计划”的全面展开，高速铁路建设日趋完整，这使得以往的铁路安全管理不再适用于当前高铁环境，安全素质作为安全管理的重要方面之一，也产生了较大的变化。高铁信号系统是控制列车运行的核心，也是典型的安全苛责性系统，自“7·23”甬温线特大动车事故以来，对铁路信号系统安全性的重视程度也逐步提高[1]。信号人员作为维护和维修信号系统的重要组成人员，其安全素质水平影响着列车运营的安全与效率。因此，建立安全素质评价模型并探究高铁信号人员的安全素质现状具有重要的意义。

安全素质普遍认为是人们的安全意识、安全知识和安全技能的总和。从广义上讲，安全素质由理论、情感、价值观、职业道德、行为准则等人文素质组成，其内涵更为丰富，包括了安全意识、法制观念、安全技能知识、文化知识结构、心理应变能力、承受适应能力、道德行为规范和约束能力等[2]。现阶段对安全素质影响因素的研究主要有以下3个方面[3-6]：①从安全素质的定义出发，结合研究对象的特点，探究其安全素质，主要研究点落在行为准则、价值观等影响因素，易忽略诸如工作设备等客观因素对人的影响；②设计调查问卷，探索安全素质的影响因素及作用力，采用SPSS统计学工具对问卷数据进行归纳和分析，结果较为客观，但安全素质的影响因素间往往并不是相互独立的，为了获得一个较佳的分析结果，常采用聚类分析等方式增强数据独立性，使分析结果出现偏差；③针对研究对象编制量表，量表的编写时间较长，往往需要多年的跟踪，通过不断反馈的方式修正，工作量大，且不适用于变化较大的行业。

以上问题的痛点在于，评价体系的建立方式通常为：①结合安全素质的定义和研究对象；②设计调查问卷开展数据搜集；③设计量表并多次修正完善。但尚未存在一种已确定的模型与逻辑进行指导与分析。结合安全素质的定义和研究对象的方式所建立评价体系的质量通常依赖于研究者本身的素质，使得建立的评价体系较为主观，通常只能用于一个特定群体，难以拓展至整个行业。而通过调查问卷和量表的方式所建立的评价体系则全部依赖于统计数据，统计方式与数据的可靠性为影响评价体系的主要因素，评价体系非常客观，但不能人工干预，且需多次反馈，而导致评价体系较为滞后。针对上述问题，笔者将使用加权因素分析方法(weighted factors analysis，WeFA)进行建模，结合模型和调查对象的特点设计调查问卷。通过模型可得各影响因素的主观权值，结合熵权法可得客观权值，再利用基于博弈论的综合赋权法融合主观权值与客观权值可得综合权值，最后使用云模型分析研究对象的安全素质现状，构建高铁信号人员的安全素质评价体系，优化安全管理，提升高铁运营的安全性与效率。

1 评价模型构建

1.1 加权因素分析模型

HESSAMI[7]于2016年首先提出加权因素分析模型，将工程应用经验与安全素质研究相结合，提出了该分析模型，具有对象针对性地定量与定性分析安全素质现状的能力。其第一层的评价因素如图1(a)所示，所有评价因素根据其对上一层因素的影响分为积极因素G1、G2、G3、G4与消极因素G1。积极因素对上层因素有正向影响，消极因素对上层因素有负向影响。在定量计算方面，则通过各因素权值的正、负体现出对上层因素的影响。在此模型中，第一层因素是相对固定的：①行为&传统，指研究对象的安全行为与影响其安全行为的社会、企业传统；②信仰&信念，指研究对象是否拥有某一种宗教信仰或较强的信念，是心理中的较强表征；③标识&符号，指工作环境中，指引安全行为的标识、符号，例如“安全通道”等，这些标识与符号对研究对象的工作起辅助性作用；④全球化，指研究对象所获得的本工作的知识与国际知识的交互程度，例如参加国际学术交流会等；⑤敷衍行为，指研究对象所在的集体、单位对研究对象的安全行为重视程度较低，存在安全素质低下或者不作为的现象。

WeFA以寻找对上层因素产生主要影响的方式将模型展开为树状多层模型，并以专家打分的方式确定权值。计算加权后的结果如式(1)所示。其中图1(a)为HESSAMI提出的原版模型维度构造，原版模型构造是寻找对中心产生影响的因素，并分为积极因素与消极因素，以正影响与负影响来进行描述，不利于归一化；图1(b)为在原版模型维度构造的基础上，将所有影响因素全部转化为积极因素后的修改模型，可方便归一化，具体见1.2节。

图1 安全素质评价模型(第一层)

(1)

式中：a1i、G1i分别为第1层第i个影响因素的权值和得分值；a2j、G2j分别为第2层第j个影响因素的权值和得分值；a3p、G3p分别为第3层第p个影响因素的权值和得分值。a1i、a2j、a3p作为权值可以为正或负，代表该因素是积极因素或消极因素。若所建立模型拥有更多层级的影响因素，则继续展开。

此分析模型给出了在实际工程中分析安全素质的主要方向与定量分析方法，需根据研究对象的特点进行模型展开。但由于中外文化差异，需对模型进行适应性修正。

1.2 高铁信号人员安全素质分析模型

选择某高铁线某电务段车间信号人员为研究对象，共105人，有以下特点：①进行3班轮班制，每一班人员需要连续工作8 h；②受教育情况普遍不高，本科及以上学历人数较少；③社会地位不高，由于不直接参与运营，公众对信号人员的了解很少；④工资普遍较低，工作强度较大；⑤工作主要分为维护与维修，维护为设备的值表作业，定期清扫或更换部件，多在夜晚或停止运营后进行；维修为设备产生故障后，对故障进行诊断与排除，多为运营时进行的紧急作业。

在把握研究对象的基本特征后，对第一层模型进行适应性修改。①将“全球化”修改为“学习文化”，全球化因素本意为探究研究对象的知识与国际知识的交互情况，高铁信号人员的任务更多为对其学习，因此这里用“学习文化”进行替代；②“标志&符号”在信号人员环境中接触的是工作中起到指引作用的安全系统，因此将“标志&符号”修改为“安全系统”；③将“敷衍行为”修改为“支持&关注”，敷衍行为因素的积极意义为更好的安全支持与关注，因此将原模型的“敷衍行为”这一消极因素转换为积极因素，可以更加方便地对模型权值进行归一化。需要说明的是，在“安全系统”中引入了“信息素养”，当前正处于信息爆发的时代，无论是大数据还是深度学习的应用，都以信息、数据为基础，信息人员的安全信息素养被推到了一个关键的位置。最后所得所有因素如表1所示。

通过举行4次专家会议，共邀请相关专家24人，将第一层模型进行树状展开：①以第一层某个因素为引导词，讨论研究对象可能对此因素产生影响的更为具体的所有主要因素，以此为第二层因素；②再对某一主要因素继续讨论下一层，以达到最底层因素可以通过问卷直接获得为止，确定底层因素；③遍历所有层级的所有因素，获得影响因素的主观权值。该模型无固定层数，目的是所得的最底层因素可以通过问卷等方式直接获得因素得分，建立的模型为3～4层。为方便计算，将所得模型中仅有第3层的因素投影至第4层，将第3层因素以100%权值下降为第4层因素。所得模型如表1所示。研究重点为第4层因素，将第4层因素记为f1～f44，并记第4层因素的主观权值为w1，如表2所示。

表1 高铁信号人员安全素质评价模型

表2 第4层因素的主观权值

2 研究方法

2.1 云模型

统计学中，很多人类的社会现象，如安全素质，常常服从正态分布，但正态分布要求样本具有较强的独立性。而安全素质由于本身概念所涉及的方面众多，使得调查样本的相关性很强，运用传统的正态分布分析安全素质较为困难，因此采用云模型分析高铁信号人员安全素质调查结果。云模型是一种泛正态描述的模型，能够实现定性概念与定量数值间不确定信息的转换，在较高层次中划分并泛化属性值。同时允许相邻属性值或语言之间具有一定的重叠，这种划分使发现的知识具有稳健性[8]。对于调查样本可能存在随机性和不确定性，云模型能够很好地处理这些具有随机性和不确定性的数据。云模型在样本独立性与正态分布间做了较好的平衡，并且规避了样本中的随机和不确定性因素[9]，适用于分析安全素质调查结果。

云模型具有3个数字特征：期望、熵、超熵。期望(Ex)是云滴在样本区间中分布的期望，是定量表示的中心点；熵(En)是定性概念的不确定性度量，由定性概念的随机性和模糊性共同确定；超熵(He)是熵的不确定性度量，能够反映云滴的离散程度，间接反映云的厚度，即He越大，云的厚度越大。根据云模型的数字特征的定义，使用正态云模型可得如下计算方法[10]：

(2)

(3)

(4)

式中：xi为样本中第i个因素指标；W为样本的权值向量；Δ为样本方差。

2.2 基于博弈论的综合赋权法

博弈论广泛使用于不同主、客观方法确定的权值之间寻找一致或妥协的情况中，通过极小化权值与各个基本权值之间的各自偏差，获得最优综合权值[11-13]。假设使用M种主观方法对n个指标或因素分别赋权，可得M个权值向量：w(m)=[wm1,wm2,…,wmn],m=1,2,…,M，则这M个权值可以由如下线性组合表示：

(5)

式中：am为线性组合系数，am>0；w为综合权值向量的集合。根据博弈论思想，寻找最优权值向量就是对M个am进行最优化，使w与各个wm的离差极小化[14]。因此将问题转化为求解离差最小化问题，可得：

(6)

由微分性质可知式(5)求一阶导数的条件为：

(7)

由式(5)可得(a1,a2,…,aM)，对其进行归一化，可得组合权值为：

(8)

2.3 熵权法

熵权法是一种客观赋权法，依据不同指标的变异程度确定权值，即利用信息熵计算得到不同影响因素的熵权，之后使用熵权计算各个影响因素的权值，使所得权值更为客观，具体步骤如下：

(1)计算第i层中第j个因素的比重pij：

(9)

式中：rij为第j个因素在第i个评价指标上的标准值，rij∈[0,1]。

(2)计算第j个因素的熵ej：

(10)

(3)计算第j个因素的熵权：

(11)

3 评价与分析

3.1 问卷调查

利用建立的高铁信号人员模型设计安全素质评价问卷。为了使研究对象在接受教育水平较低的情况下，仍能准确地完成问卷，选取传统的likert 5级量表。问卷制作了涵盖312道问题的问卷池，每次从中选取44～50道问题构成问卷，即通过多个问题探究同一因素，以增强问卷的可靠性。采用SPSS 23.0计算得到问卷调查结果的信度，即达到0.70就可接受， 0.70～0.98属高信度[12]。此次调查Cronbach′sα系数值为0.94，属于高信度，可以进行后续的研究分析[15]。

高铁信号人员工作采用轮岗制，为提高问卷结果的可信度，问卷调查也采用轮岗调查的方式，即在一个轮岗周期内，分别对在岗人员进行调查。发放调查问卷共计110份，回收105份，其中有效问卷为105份，调查结果的均值如表3所示。

表3 第4层因素调查结果均值

将问卷所得到的均值结果，代入式(9)～式(11)，可得安全素质评价模型的第4层因素的客观权值，如表4所示。

表4 第4层因素的客观权值

3.2 标准云

根据likert 5级量表，将安全素质得分进行分级，利用正向云发生器，生成高铁信号人员安全素质评价标准云。将得分取值范围等分为4个子区间，分别为[1,2)安全素质总体程度差、[2,3)总体程度较差、[3,4)总体程度较好和[4,5)总体程度良好[16]。每个子区间对应一个标准云Cloudi(Exi,Eni,Hei)，i=1,2,3,4。那么此标准云的参数Exi、Eni、Hei如式(12)所示[17]：

(12)

式中：Rimax、Rimin分别为取值区间的最大值与最小值，η为常数，根据经验取η=0.05。计算可得标准云为Cloud1(1.5,0.167,0.05)；Cloud2(2.5,0.167,0.05)；Cloud3(3.5,0.167,0.05)；Cloud4(4.5,0.167,0.05)，借助MATLAB软件绘制标准云图。

3.3 评估云与结果分析

综合高铁信号人员安全素质分析模型所得的主观权值w1与熵权法计算出的客观权值w2，由式(5)～式(8)可得所有44个项目的综合权值w*，如表5所示。

表5 因素综合权值表

通过博弈论综合赋权法得到的综合向量，可以克服单一赋权法所带来的不可靠性，既降低了主观权值的人为因素，又能涵盖数据中本身携带的评价信息。将综合权值的计算结果带入样本，得到加权后的样本，由式(2)～式(4)分层计算可得高铁信号人员安全评估云。将所得评估云与标准云在同一图中显示，结果如图2所示。

图2 评估云与标准云合并结果

图中“*”代表调查结果所得的评估云，“·”代表标准云。评价标准如下：①评价云位于[1,2)表示安全素质总体程度为差，[2,3)表示总体程度为较差，[3,4)表示总体程度为较好，[4,5)表示总体程度为良好；②云层厚度越大，云滴的离散程度越大，即超熵越大。

(1)研究对象此电务段车间信号人员的安全素质程度介于较好与良好之间，可以认为安全素质现状较好，对铁路信号系统的安全运营有积极作用。但仍有较大的提升空间。

(2)评估云的宽度很大，即样本的离散程度很大。离散程度作为云模型不确定性的量度，由概念的随机性与模糊性共同决定，则说明样本所体现的随机性与模糊性很强。这反映出研究对象对“安全素质”这一中心概念的认知较为不稳定和不统一，个体间离散程度高，凝聚性较差。在高铁信号人员这个群体中，常常会将“安全素质”曲解为简单的“安全第一”等表面性内容，而忽视了能在日常工作中落实的工作规程、设备引导等方面内容。这使得高铁信号人员的“人-机-环-管”这一闭环出现断裂，过于追求“人”在高铁信号系统中的作用，而忽视了其他三者的有机结合，使得信号工作从事人员与管理人员产生层级划分与矛盾。

3.4 改进方法建议

(2)针对性地增加安全素质的基础培训，将安全素质的提升融入日常的工作与生活中。开展安全素质竞赛，以班组、工区、车间等为单位分别进行，提高全体信号人员的参与性。管理层可深入一线生产活动，观察与激励信号人员的安全工作，增大安全奖惩机制的投入，提升预防事故的能力，使“预防”比“抢修”更为重要。及时消除安全问题，推动安全素质向积极的方面转变。

4 结论

(1)从加权因素分析模型出发，以高铁信号人员为研究对象，优化构建了合适的安全素质分析模型，并基于模型设计了调查问卷；通过多次专家会议，确定了模型各个因素的主观权值。

(2)使用熵权法确定了各个因素的客观权值，利用基于博弈论的综合赋权法，融合了主观权值，得到了最终的综合权值。确定使用正态云模型来分析并可视化高铁信号人员的安全素质现状，有效地解决了“安全素质”这一概念所带来的相关性、模糊性、不确定性对数学描述的影响，并且解决了使用传统统计学工具带来的工作量大、结论不准确等问题。

(3)将调查结果与综合权值相结合，使用MATLAB软件得到了安全素质评估云，与标准云进行比较，得到了研究对象总体安全素质程度较好，但对安全素质这一概念的认知不够准确等分析结果。并针对各项问题，提出了改进方法与建议。

(4)笔者所用方法不仅可以用于高铁信号人员的研究，也可推广至高铁系统所有人员的研究，对其他行业有一定的借鉴意义。