人因视角下煤矿机电事故致因分析

邵良杉 ，杨金辉 ，赵 津

（1.辽宁理工学院，辽宁 锦州 121010；2.辽宁工程技术大学 工商管理学院，辽宁 葫芦岛 125105；3.天津理工大学 管理学院，天津 300384）

近年来，煤炭开采不断朝着高产能、集约化方向发展，煤矿机电设备的种类、数量和载荷不断增大，对人员的知识储备和操作熟练度提出了更高要求[1]，导致煤矿机电事故在煤矿事故中所占比例不断上升。机电事故对其他事故存在诱发性[2]，呈现出不安全行为的重复性、设备关联的独立性和事发地点的随机性等特点，使得从事故表象和监控数据等角度开展系统性的事故致因研究存在困难。当前国内外学者普遍认为人为因素是导致煤矿事故的重要原因[3]，这一特征在煤矿机电事故中尤为明显[4]。因此，从人因视角探索煤矿机电事故致因与演化，是防控事故的合理手段。

针对人因视角下煤矿事故的致因和演化，国内外学者开展了大量研究。LIU 等[5]结合人因分析与分类系统 (Human Factors Analysis Classification System,HFACS)和结构方程模型，对矿工不安全行为的影响因素进行评估；段军等[6]结合粗糙集和模糊理论对煤矿事故人因失误进行综合评判，从定量角度评价人因失误对事故的影响；牛莉霞等[7]提出分析压力对矿工人因失误的作用关系的压力源-矿工倦怠-人因失误假设模型，验证了管理对人因失误的调节作用。鲜有学者对煤矿机电事故中的人因失误进行研究，鉴于此，基于近10 年煤矿机电事故案例，通过改进的HFACS 从人因视角识别煤矿机电事故致因，构建复杂网络理论模型，分析事故致因，以期为防控煤矿机电事故提供借鉴参考。

1 研究方法

1.1 HFACS 的改进

HFACS 是分析人因失误的有力工具[8]，最初诞生于航空事故人因分析。航空事故与煤矿事故区别有：①煤炭行业行政监管力度与事故概率呈反比，平均每起重大煤矿事故中，因监管不力而被处罚的行政人员达25 人以上[9]；因此，改进的HFACS 应充分考虑行政监管因素；②煤矿事故的组织因素更复杂，管理失误的表现形式更丰富[5]，例如，矿井班组劳动力素质通常低于航空机组，但拥有更大自主性，使得以班长为代表的管理者的个人能力成为矿工行为的不稳定因素。

鉴于此，结合现有研究[5]，将“不安全监督”分解为行政监管与组织监督，细化组织因素的影响，从行政监管（A）、组织因素（B）、不安全行为的前提（C）和不安全行为（D）4 个层级改进HFACS，改进后 HFACS 如图1。

图1 改进后HFACSFig.1 Improved HFACS framework

1.2 复杂网络理论

复杂网络是以网络拓扑结构将数据可视化，通过节点和边反映实体间关系，对现实世界复杂系统进行抽象建模的方法[10]。在研究中，将事故致因抽象为网络节点，将事故致因链抽象为网络有向边，构造致因网络对机电事故进行分析。

复杂网络的准确度与边的判断有直接关系，为提升准确度，邀请p位专家作为评价者判断复杂网络有向边，并从学位、从业时间、职称和专业相关度4 个纬度衡量评价者可靠度，评价者可靠度指标见表1。

表1 评价者可靠度指标Table 1 Evaluator reliability indexes

令cab为 第a位 评价者的第b个纬度的得分，则第a位评价者的可靠度Fa为：

设F为有向边的存在指数，当F＞0.7时，视为有向边存在，则F为：

式中：p为专家个数。

1）节点的度是入度和出度之和，出度高表明该节点容易对其他节点产生影响，入度高表明该节点易受其他节点影响。

2）聚类系数代表了节点与相邻节点间的密切程度。设Gi为节点i的 聚类系数，Hi为与节点i实际相连的边数量，则Gi为：

式中：Ii(Ii-1)为 节点i理论上最大的边数量。

3）节点的介数中心度反映了该节点在网络中的中转能力。设Lef为节点e和节点f之间存在的最短路径数量，Lefi为节点e和节点f之间存在的最短路径途径节点i的数量，则节点i的介数中心度Ji为：

4）接近中心度值越大说明节点越接近网络中心。设节点i和 节点j之间存在最短路径且长度为gij，则节点i的接近中心度Ki归一化后为：

2 人因视角下煤矿机电事故致因分析模型

2.1 事故致因的识别

整理监管部门及煤矿安全网公布的煤矿机电事故调查报告144 份，所整理报告均来自2013—2022 年，且包含事故经过、事故原因、事故处理和预防措施。在144 起事故中；一般事故128 起，占比88.89%；较大事故13 起，占比9.03%；重大及以上事故仅有3 起，占比2.08%。经统计，144 起事故共造成伤亡人数109 人，高频事故致因有组织监督不充分和员工违章等。

邀请10 位从事煤矿机电管理的从业人员，依照改进的HFACS，从所收集案例中总结出事故致因47 个，煤矿机电事故致因体系表2。另外，将事故后果识别为设备故障、经济损失、工时损失和人员伤亡，分别为E1～E4。

表2 煤矿机电事故致因体系Table 2 Index system for electrical accidents in coal mine

2.2 致因网络的构建

另外邀请10 位煤矿机电相关从业人员作为边的评价者，判断致因网络有向边，依据式（1）依次计算10 位评价者的可靠度，依据式（2）依次对每一起案例中事故致因关系进行判断，共得到满足存在指数的524 个有向边次和193 个致因链。煤矿机电事故的发生具有不确定性，但仍有规律可循。根据HFACS 模型，每一起事故均为外部监督、组织因素、不安全行为的前提条件和不安全行为相互作用的结果，因此基于每一起事故案例构建的致因链所涉及的事故致因会存在大量重复。为去除冗余信息，需要对致因链进行合并[11]。以慈林山等煤矿发生的机电事故中的B22→C53→D11→E1、C13→D21→E1、B32→B21→E13 条 致因链为例，按照链路化→矩阵化→网络化的步骤构造致因网络。先将致因链构建成邻接矩阵，矩阵中“1”表示相交于此的该行该列致因有影响关系，“0”表示无影响关系，然后，将矩阵图形化为致因网络，致因链的合并过程如图2。

图2 致因链的合并过程Fig.2 Merging process of causal chains

将所有致因链合并为网络后，借助Gephi 软件建立包含4 个事故节点、47 个事故致因节点与216 条有向边的煤矿机电事故致因网络模型，依照Fruchterman Reingold 布局如图3。

图3 煤矿机电事故致因网络Fig.3 Network of electromechanical accidents

该致因网络直径为7，网络的联通性较好。平均路径长度为2.61，即事故致因平均经过2.61 次变动即可稳定变为另一事故致因，网络存在较大不稳定性，同时网络平均聚类系数为0.22，该网络具有小世界特性。

2.3 网络节点指标分析

分别整理度值、聚类系数、介数中心度和接近中心度4 项网络指标值最大的10 个节点，各网络指标值排序见表3。

表3 各网络指标值排序Table 3 The order of each network indicator value

出度较高的节点有机电管理混乱B61、组织监督不充分B41和 未严格遵守作业规程B64，表明这些节点能影响更多其他节点，对事故的诱导作用较大；入度较高的节点有矿工习惯性违章D11、个体安全意识差C53和 组织安全隐患治理不充分B43；总度值较大的节点集中于组织因素层级，组织的管理对煤矿机电事故有重要影响。聚类系数较大的节点有组织机构职责不清B12、组织未按时开展专项检查B44、物理生产环境差C11和图纸台账造假C32等，与这些节点相连的节点也应提高重视。介数中心度较大的节点有组织监督不充分B41、机电管理混乱B61、矿工技能失误D21和个体安全意识差C53等，在煤矿机电事故中起重要中转作用，组织未编制预案措施B51和 组织安全负责人B63不在岗2个节点，度值低但介数中心度高，在日常生产中易被忽略，需格外关注。接近中心度较大的节点有采煤方法违规C22、物理环境差C11、监测系统作假C31和 护具管理混乱B65。

3 煤矿机电事故不安全行为演化路径分析

3.1 关键致因与关键致因链的识别

度值、聚类系数、介数中心度和接近中心度4 项网络指标均能反映节点的部分属性，但单一指标无法完整反映节点对于网络的影响，需要综合考虑各项网络指标，对关键致因进行识别。设Omn{m=1,2,3,···,47;n=1,2,3,4}为 第m个节点的第n个网络指标值，构建节点指标矩阵L为：

由于4 项指标值在数量级上差距过大，因此对各节点的每一项网络指标值Oms进行min、max标准化处理，使4 项网络指标值等比例缩放到同一数量级，为关键致因的识别做准备。设O*is为标准化处理后的节点i的 第s个网络指标值，则有：

在标准化处理后，每一个节点的4 项网络指标值均处于同一数量级，此时对4 项网络指标值加和即可得到节点的关键度，则节点i综合考虑网络指标后的关键度Mi为：

经计算，组织监督不充分、组织机电管理混乱和个体安全意识差是造成机电事故的最关键的事故致因，关键度最高的前20 个致因如图4。图中：①为有向边（B31,C53）；②为有向边（B53,D11）；③为有向边（B63,B41）；④为有向边（B41,B61）；⑤为有向边（B61,E4）；⑥为有向边（B41,B43）；⑦为有向边（D21,E4）；⑧为有向边（D21,E1）；⑨为有向边（C13,E1）；⑩为有向边（B41,E1）；⑪为有向边（B61,B41）；⑫为有向边（A11,B41）；⑬为有向边（D11,E4）；⑭为有向边（B61,E1）；⑮为有向边（C53,E4）；⑯为有向边（B64,D12）；⑰为有向边（B31,B41）；⑱为有向边（B61,C53）；⑲为有向边（B41,D11）；⑳为有向边（B44,E1）。

图4 关键致因与关键致因链Fig.4 Key causes and key critical links

仅识别关键致因，不足以为事故防控提供充足参考，进一步计算各边风险度，识别关键致因链。节点i指向节点j的有向边为 (i,j)，边 (i,j)在144 起案例中的频数为P(i,j)，节点i和节点j的频数分别为Pi和Pj，则有向边(i,j) 的致灾率N(i,j)为：

设网络模型中去除有向边(i,j)后的平均路径长度为U(i,j),有向边 (i,j)的 介数为T(i,j)，则有向边(i,j)的脆弱度S(i,j)为：

设节点的度为Vj，则有向边 (i,j)的风险度W(i,j)为：

经计算，风险度最高的致因链为由组织安全教育不足导致的个体安全意识差、由安全负责人不在岗导致的组织安全监督不充分和由个体安全意识差导致的矿工习惯性违章。将各边风险度归一化处理。

3.2 不安全行为主要演化路径

由HFACS 模型得层级D是矿工的不安全行为是导致煤矿机电事故的直接原因，厘清不安全行为的演化路径，对直接预防煤矿机电事故的发生具有重要参考意义。取关键度高于平均值的致因节点和风险度高于平均值的边，以D11、D12、D21、D22和D235 个不安全行为节点为目标节点，构建的煤矿机电事故不安全行为主要演化路径如图5。其中，边的权重通过统计144 起事故案例中节点间因果关系的频次来确定，通过四分法将边的频次按大小划分为4 层，频次越大表明边的重要性越大，诱发概率越高。

图5 煤矿机电事故不安全行为主要演化路径Fig.5 The main evolution path of unsafe acts of electromechanical accident in coal mine

从不安全行为的表现形式来看，矿工违章在出现频次和演化方式上均多于矿工失误，矿工违章是防控机电事故的重点。从改进的HFACS 划分的4 个层级来看，组织因素和不安全行为的前提条件是造成不安全行为的主要原因。在组织因素层级中，组织的教育培训不足成为不安全行为演化过程的重要源头，组织对安全生产的监督不力和对机电管理的混乱也是促成不安全行为的重要原因。在不安全行为前提条件层级中，矿工的个体因素是最为显著的原因，此外，环境因素和管理者的违章指挥也在演化路径中扮演重要角色。

4 结语

提出了1 种基于HFACS 和复杂网络理论的煤矿机电事故致因与演化的研究方法，以改进的HFACS 为参照，结合专家经验对事故案例进行判断，构建了人因视角下的煤矿机电事故致因网络。该方法采用评价者可靠性修正主观影响，借助网络指标评估事故致因重要性，综合各项指标识别关键事故致因和致因链，并构建不安全行为主要演化过程，为煤矿机电事故的防控提供理论支撑。

煤矿机电事故致因网络具有小世界特性，组织安全监督不充分是最关键的事故致因，安全教育不足导致的个体安全意识差是最重要的致因链，不安全行为的主要演化路径为：组织的安全教育不足、监督不充分→个体安全意识差→不安全行为径。

通过强调事故案例的时效性，导致样本仅包括144 起事故，样本量仍有可提升空间。煤矿机电事故涉及因素较多，受限于HFACS 模型，仅强调从人因的视角探讨事故致因。后续应在丰富样本量和拓展致因角度下开展研究。