面向化工企業(yè)事故的根原因關(guān)聯(lián)分析

陳 卓，李 鑫，杜軍威，袁璽明

(青島科技大學(xué)信息科學(xué)技術(shù)學(xué)院，山東 青島 266061)

0 引 言

近年來，化工行業(yè)安全事故多發(fā)，嚴(yán)重威脅到人民群眾的生命財(cái)產(chǎn)安全，甚至引發(fā)環(huán)境災(zāi)難，造成惡劣的社會(huì)影響?；て髽I(yè)生產(chǎn)過程的安全對(duì)于最大限度地避免事故發(fā)生或者降低事故發(fā)生的風(fēng)險(xiǎn)起著決定性作用[1]。美國(guó)安全專家海因里希[2]通過大量的事故調(diào)研得出結(jié)論“每100起事故，只有2起是難以預(yù)防的”，可知事故發(fā)生的根原因大部分是安全管理體系的缺陷。因此,化工企業(yè)安全風(fēng)險(xiǎn)評(píng)估已然成為典型化工企業(yè)必須嚴(yán)加要求的防范性工作[3-4]。挖掘根原因間、根原因與事故間的關(guān)聯(lián)關(guān)系，將為提升安全風(fēng)險(xiǎn)評(píng)估提供更多的依據(jù)和手段，是從本質(zhì)上預(yù)防事故、提升企業(yè)安全管理水平的關(guān)鍵。

挖掘事故與管理因素之間的關(guān)聯(lián)關(guān)系主要體現(xiàn)于化工領(lǐng)域?qū)＜艺{(diào)研事故原因后，對(duì)安全評(píng)估指標(biāo)項(xiàng)的評(píng)分。但受制于事故調(diào)查環(huán)境和專家經(jīng)驗(yàn)水平，所形成的事故與安全指標(biāo)的分析不完備導(dǎo)致領(lǐng)域?qū)＜覍?duì)指標(biāo)的評(píng)分有缺失，對(duì)后續(xù)挖掘有極大的負(fù)面影響。本文首先利用協(xié)同過濾[5]算法解決填充指標(biāo)項(xiàng)評(píng)分的問題，繼而挖掘事故與管理因素之間的關(guān)聯(lián)關(guān)系?；谥笜?biāo)的完整評(píng)分?jǐn)?shù)據(jù)，本文利用關(guān)聯(lián)規(guī)則挖掘[6]來尋找指標(biāo)根原因間以及指標(biāo)根原因與事故屬性之間的關(guān)聯(lián)關(guān)系。

關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘中最重要的研究領(lǐng)域之一，其本質(zhì)是對(duì)頻繁模式的挖掘[7]。這一思想在1993年由Agrawal等[8]最先提出,目的是發(fā)現(xiàn)模式之間隱含的內(nèi)在聯(lián)系,為后續(xù)問題的解決提供決策支持從而為實(shí)現(xiàn)事故隱患預(yù)警提供了新方向。黃常海等[9]提出基于關(guān)聯(lián)規(guī)則分析船舶交通事故的原因，并通過數(shù)據(jù)挖掘的結(jié)果給出對(duì)策。游先中[10]率先將關(guān)聯(lián)規(guī)則算法與礦井火災(zāi)發(fā)生機(jī)制相結(jié)合，找出導(dǎo)致礦井火災(zāi)安全因素間的潛在關(guān)聯(lián)，實(shí)現(xiàn)了火災(zāi)預(yù)警功能;胡瑾秋等[11]首次將關(guān)聯(lián)規(guī)則算法運(yùn)用到企業(yè)生產(chǎn)預(yù)警中，挖掘企業(yè)各隱患間的潛在聯(lián)系，獲取信息中的隱藏價(jià)值。通過上述研究可知關(guān)聯(lián)規(guī)則算法在事故源分析以及風(fēng)險(xiǎn)預(yù)警方面已有一定的應(yīng)用。但是由于傳統(tǒng)關(guān)聯(lián)規(guī)則算法[12]在挖掘頻繁項(xiàng)集時(shí)并未考慮頻繁項(xiàng)本身的重要性，從而在應(yīng)用中忽略了安全隱患項(xiàng)的重要性，無法在企業(yè)評(píng)估時(shí)突出關(guān)鍵性指標(biāo)的關(guān)聯(lián)?；诖?，本文將評(píng)分值作為指標(biāo)權(quán)重，重新定義支持度計(jì)數(shù)規(guī)則，采用一種新的基于加權(quán)支持度計(jì)數(shù)的關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行化工安全指標(biāo)數(shù)據(jù)關(guān)聯(lián)分析，挖掘強(qiáng)關(guān)聯(lián)規(guī)則。實(shí)驗(yàn)結(jié)果表明，相較于現(xiàn)有算法，本文算法可以更好地推薦企業(yè)潛在安全隱患，為企業(yè)安全生產(chǎn)提供指導(dǎo)。

1 基于指標(biāo)體系的化工安全指標(biāo)數(shù)據(jù)

化工企業(yè)安全問題日趨突出，通過安全管理來減少事故的發(fā)生具有舉足輕重的作用[13]。一個(gè)較為完善的安全評(píng)價(jià)指標(biāo)體系能夠找到化工企業(yè)事故預(yù)防和風(fēng)險(xiǎn)控制方面存在的不足，可以體現(xiàn)企業(yè)安全管理的優(yōu)劣，衡量企業(yè)的安全管理程度以及改進(jìn)不足。石化企業(yè)安全管理評(píng)估指標(biāo)體系是用于衡量、改進(jìn)和展示企業(yè)安全方面管理績(jī)效的量化評(píng)價(jià)工具，具有專業(yè)性和先進(jìn)性的特點(diǎn)。在該安全指標(biāo)體系中，共有16個(gè)一級(jí)指標(biāo)要素，92個(gè)二級(jí)指標(biāo)以及540個(gè)三級(jí)指標(biāo)問題項(xiàng)。具體分布見表1。

本文匯集了化工生產(chǎn)安全資深領(lǐng)域?qū)＜艺{(diào)研的1198起化工企業(yè)事故案例，事故主要分為4種類型(1-爆炸，2-中毒，3-火災(zāi)，4-其他傷害)，發(fā)生事故的企業(yè)類型分為6種(1-油田，2-石油煉化，3-石化施工工程公司，4-加油站等石化銷售點(diǎn)，5-一般化工企業(yè)，6-其它)。依據(jù)對(duì)每起事故案例原因的分析，專家們對(duì)三級(jí)指標(biāo)項(xiàng)重要度分別進(jìn)行打分。為對(duì)事故根原因進(jìn)行加權(quán)關(guān)聯(lián)規(guī)則挖掘，本文首先采用協(xié)同過濾算法[14-15]將事故調(diào)研中缺失的評(píng)分?jǐn)?shù)據(jù)進(jìn)行填補(bǔ)，最終得到了化工生產(chǎn)安全資深領(lǐng)域?qū)＜揖?198起事故對(duì)三級(jí)指標(biāo)項(xiàng)的評(píng)分。分值范圍為1～5的整數(shù)，隨著分值的增高，表示指標(biāo)安全隱患程度或是占事故根原因的比重越來越大，與事故的關(guān)聯(lián)性越強(qiáng)。截取的部分指標(biāo)評(píng)分說明見表2。本文就事故的根原因指標(biāo)項(xiàng)進(jìn)行關(guān)聯(lián)分析，并聯(lián)系事故類型、企業(yè)類型等屬性挖掘出隱含的關(guān)聯(lián)關(guān)系。每個(gè)事故的根原因以及此事故的事故類型或發(fā)生此事故的企業(yè)類型是一條記錄，形成一個(gè)事務(wù)數(shù)據(jù)集[16]表示為：In={i1,i2,…,ik,vn,wn}，其中n為事故數(shù)，k為指標(biāo)數(shù)，ik為三級(jí)指標(biāo)項(xiàng)代號(hào)，vn為事故類型代號(hào)，wn為企業(yè)類型代號(hào)。

表1 化工安全指標(biāo)體系中各級(jí)指標(biāo)要素及問題項(xiàng)統(tǒng)計(jì)表

表2 某事故案例局部打分

2 基于安全評(píng)價(jià)指標(biāo)的關(guān)聯(lián)分析

在安全指標(biāo)體系中，指標(biāo)項(xiàng)存在一定的關(guān)聯(lián)關(guān)系。從事故分析的角度來說，通過關(guān)聯(lián)分析能夠挖掘事故屬性(不同類型事故等)的關(guān)聯(lián)指標(biāo)因素，指導(dǎo)安全生產(chǎn)；從管理隱患因素分析角度來說，管理的安全隱患將增大風(fēng)險(xiǎn)，因此尋找事故屬性與管理因素之間的關(guān)聯(lián)關(guān)系即指標(biāo)間、指標(biāo)與事故屬性之間的關(guān)聯(lián)關(guān)系對(duì)加強(qiáng)安全管理及指導(dǎo)安全評(píng)估起著重要作用。

傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘算法[17]在計(jì)算項(xiàng)集支持度計(jì)數(shù)時(shí)，是根據(jù)項(xiàng)集在數(shù)據(jù)庫中出現(xiàn)的次數(shù)進(jìn)行累加。比如在總體的事件數(shù)U中，(X,Y)事件的支持度計(jì)數(shù)為X、Y同時(shí)出現(xiàn)的事件數(shù)占總事件數(shù)的比重。支持度[18]計(jì)算如公式(1)所示。

(1)

由于在本文應(yīng)用中,評(píng)分代表安全隱患程度，表示指標(biāo)自身的重要程度?；趥鹘y(tǒng)支持度計(jì)數(shù)時(shí)每個(gè)指標(biāo)項(xiàng)在一個(gè)事務(wù)集中計(jì)數(shù)都為1，無法體現(xiàn)高評(píng)分值指標(biāo)的重要性。例如一個(gè)評(píng)分值為5的指標(biāo)與一個(gè)評(píng)分值為1的指標(biāo)支持度計(jì)數(shù)相同，進(jìn)而挖掘到的規(guī)則不能體現(xiàn)重要指標(biāo)項(xiàng)所帶來的隱患，在實(shí)際企業(yè)評(píng)估中，安全隱患程度低的指標(biāo)間關(guān)聯(lián)規(guī)則并沒有很大價(jià)值。因此針對(duì)數(shù)據(jù)中每個(gè)指標(biāo)的評(píng)分值，本文為了克服傳統(tǒng)支持度計(jì)數(shù)在應(yīng)用上的缺陷，將評(píng)分作為權(quán)重，提出支持度計(jì)數(shù)規(guī)則的改進(jìn)策略，在每個(gè)項(xiàng)的計(jì)數(shù)上加入指標(biāo)的權(quán)重因素。首先將填充后的指標(biāo)評(píng)分記錄數(shù)據(jù)確認(rèn)成三元組形式(事故序號(hào)，指標(biāo)代號(hào)，指標(biāo)評(píng)分)的指標(biāo)評(píng)分記錄。將數(shù)據(jù)進(jìn)行預(yù)處理，過程的偽代碼如下所示?；诖藬?shù)據(jù)集挖掘頻繁項(xiàng)集進(jìn)而計(jì)算關(guān)聯(lián)規(guī)則。

Input: 指標(biāo)評(píng)分記錄data(id, key, value)

Output: 滿足權(quán)重因素的指標(biāo)評(píng)分記錄w_data(id, key)

1) idi=set(data.id) //去除重復(fù)id

2) for i in idi //遍歷所有非重復(fù)的id

3) count=data.count(i) //每個(gè)id的條數(shù)

4) if count>1 //事故序號(hào)個(gè)數(shù)

5) for j in data //遍歷數(shù)據(jù)data

6) if j.id==i

7) i_value, m //找出i對(duì)應(yīng)的所有事故記錄i_value和對(duì)應(yīng)的評(píng)分最小值m

8) for k in i_value //遍歷i_value

9) if k.value-m>0

10) data.append(k.id+max_id, k.key, k.value-m) //max_id為事故的最大序號(hào)

11) idi.append(i+max_id)

12) w_data=[data.id, data.key]

13) return w_data

泛化后的支持度計(jì)算公式如下所示，是一種泛化能力更強(qiáng)的加權(quán)支持度計(jì)算公式，當(dāng)元素重要程度即評(píng)分相同時(shí)，則等價(jià)于公式(1)。

(2)

其中，U為事務(wù)集個(gè)數(shù)即事故個(gè)數(shù)，Rum為第u個(gè)事故對(duì)第n個(gè)指標(biāo)的評(píng)分值。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 數(shù)據(jù)集

本文實(shí)驗(yàn)針對(duì)化工企業(yè)安全領(lǐng)域，以中國(guó)石化安全工程研究院提供的石化安全管理評(píng)估指標(biāo)體系數(shù)據(jù)庫作為挖掘?qū)ο?。該?shù)據(jù)庫包含540個(gè)化工安全指標(biāo)項(xiàng)數(shù)據(jù)，1198起化工事故案例數(shù)據(jù)以及指標(biāo)評(píng)分?jǐn)?shù)據(jù)，具體記錄了指標(biāo)項(xiàng)代號(hào)及其對(duì)應(yīng)內(nèi)容，各起事故的類型以及企業(yè)類型。另外由于指標(biāo)評(píng)分小于2表示與事故沒有關(guān)聯(lián)或是關(guān)聯(lián)性很弱，因此本文重點(diǎn)研究分析評(píng)分大于等于2的指標(biāo)。通過用協(xié)同過濾算法填充指標(biāo)項(xiàng)評(píng)分后得到的數(shù)據(jù)如表3所示。指標(biāo)可視為事故根原因，因此可得出事故1的事故原因有277個(gè)，事故2的事故原因有235個(gè)…，1198個(gè)事故共包含384423條事故根原因數(shù)據(jù)。

表3 指標(biāo)項(xiàng)評(píng)分填充工作前后數(shù)據(jù)統(tǒng)計(jì)

3.2 實(shí)驗(yàn)結(jié)果及分析

1)事故根原因數(shù)據(jù)挖掘。

設(shè)置支持度閾值為42%，置信度閾值為90%。對(duì)關(guān)聯(lián)分析結(jié)果進(jìn)行統(tǒng)計(jì)得到85條1-項(xiàng)集關(guān)聯(lián)規(guī)則，276條2-項(xiàng)集關(guān)聯(lián)規(guī)則以及336條3-項(xiàng)集關(guān)聯(lián)規(guī)則。列舉部分關(guān)聯(lián)結(jié)果如表4所示。關(guān)聯(lián)關(guān)系的強(qiáng)弱以支持度和置信度表示，支持度和置信度越高，表示關(guān)聯(lián)關(guān)系越強(qiáng)，即表示2個(gè)或多個(gè)要素或指標(biāo)項(xiàng)同時(shí)發(fā)生的概率越高。關(guān)聯(lián)規(guī)則的興趣度[19-20]越大于0,說明這條規(guī)則越有趣(即其實(shí)際利用價(jià)值越大)。

通過關(guān)聯(lián)規(guī)則可以得到一些有助于分析出企業(yè)生產(chǎn)可能存在的安全隱患內(nèi)在的關(guān)聯(lián)關(guān)系，在指標(biāo)體系安全管理評(píng)估表中指標(biāo)9.5.2表示三級(jí)指標(biāo)問題項(xiàng)是否對(duì)所有需要常規(guī)檢查的區(qū)域和對(duì)象進(jìn)行了檢查，指標(biāo)10.5.4表示是否包括對(duì)工藝設(shè)備的檢查，指標(biāo)10.5.3表示是否有措施確保員工按照關(guān)鍵工藝參數(shù)操作，指標(biāo)11.7.5表示員工是否能方便獲取個(gè)人防護(hù)設(shè)備，指標(biāo)2.2.2表示是否識(shí)別出安全危害(危險(xiǎn)源)包括機(jī)械傷害、起重傷害以及物體打擊。

表4 事故原因間關(guān)聯(lián)分析規(guī)則結(jié)果示例

例如表4中1-項(xiàng)集關(guān)聯(lián)規(guī)則9.5.2→10.5.4可以得到在企業(yè)評(píng)估時(shí)發(fā)現(xiàn)企業(yè)沒有對(duì)需要常規(guī)檢查的區(qū)域和對(duì)象進(jìn)行全面檢查，那么根據(jù)指標(biāo)間關(guān)聯(lián)關(guān)系，推出企業(yè)有96%的極大概率尤其忽略了對(duì)個(gè)別工藝設(shè)備的檢查。表中不同類別指標(biāo)間的2-項(xiàng)集關(guān)聯(lián)規(guī)則9.5.2, 10.5.4→2.2.2得到如果評(píng)估時(shí)發(fā)現(xiàn)企業(yè)對(duì)常規(guī)檢查沒有落實(shí)全面，其中對(duì)于工藝設(shè)備的關(guān)鍵部分沒有在檢查范圍內(nèi)，那么企業(yè)有98%的概率也沒有全面識(shí)別危險(xiǎn)源，例如在有毒有害環(huán)境下獨(dú)自作業(yè)。3-項(xiàng)集關(guān)聯(lián)規(guī)則9.5.2→10.5.3, 11.7.5, 2.2.2體現(xiàn)了若評(píng)估企業(yè)未進(jìn)行常規(guī)檢查，那么企業(yè)有97%的概率有另外3個(gè)指標(biāo)也存在極大安全隱患，包括沒有措施確保員工按照關(guān)鍵工藝參數(shù)操作；在需要的情況下不能保證員工方便獲取個(gè)人防護(hù)設(shè)備；企業(yè)未能識(shí)別出安全危害(危險(xiǎn)源)包括機(jī)械傷害、起重傷害以及物體打擊。因此在對(duì)企業(yè)進(jìn)行風(fēng)險(xiǎn)評(píng)估時(shí)，若發(fā)現(xiàn)企業(yè)1項(xiàng)或多項(xiàng)三級(jí)指標(biāo)問題項(xiàng)不合格即存在安全隱患，可根據(jù)指標(biāo)間關(guān)聯(lián)關(guān)系對(duì)安全隱患大的指標(biāo)重點(diǎn)評(píng)估，指導(dǎo)企業(yè)安全生產(chǎn)。

2)事故根原因與事故屬性數(shù)據(jù)挖掘。

對(duì)指標(biāo)項(xiàng)與事故類型以及發(fā)生事故的企業(yè)類型的關(guān)聯(lián)進(jìn)行挖掘，將每個(gè)事故的類型以及產(chǎn)生事故的企業(yè)類型加入事務(wù)數(shù)據(jù)集中得到事故類型、企業(yè)類型與指標(biāo)的關(guān)聯(lián)規(guī)則，設(shè)置支持度閾值為42%，置信度閾值為90%。類型分布比例圖與Top20重要前件指標(biāo)關(guān)聯(lián)如圖1與圖2所示。

(a) 事故類型比例分布圖

(b) Top20前件指標(biāo)關(guān)聯(lián)性排序

(a) 企業(yè)類型比例分布圖

(b) Top20前件指標(biāo)關(guān)聯(lián)性排序

由類型分布圖可看出，由于在調(diào)研的事故中爆炸事故所占比例最大，通過關(guān)聯(lián)分析得出指標(biāo)與事故類型的關(guān)聯(lián)規(guī)則中，Top20的規(guī)則與爆炸類型有關(guān)。通過上述規(guī)則前件指標(biāo)排序得出指標(biāo)5.2.5不合格最大概率地引起爆炸事故的發(fā)生。同樣，一般化工企業(yè)類型事故達(dá)到59%，選取Top20的關(guān)聯(lián)規(guī)則，可得出此類企業(yè)出現(xiàn)2.3.1指標(biāo)不合格最多，從而可以有依據(jù)、有針對(duì)性地加強(qiáng)對(duì)此類企業(yè)的安全評(píng)估。在評(píng)估企業(yè)安全風(fēng)險(xiǎn)時(shí)可有針對(duì)性地向所指企業(yè)推薦安全隱患較大的指標(biāo)，重點(diǎn)評(píng)估，指導(dǎo)企業(yè)安全生產(chǎn)。

3.3 算法比較

加權(quán)關(guān)聯(lián)規(guī)則挖掘算法與加權(quán)支持度計(jì)數(shù)方式密切相關(guān)，不同的計(jì)算方式會(huì)產(chǎn)生不同的挖掘算法。為此不少學(xué)者針對(duì)權(quán)重提出加權(quán)方法，其中張智軍等[21]提出了基于具體問題的水平加權(quán)計(jì)算方法，每一項(xiàng)都設(shè)有權(quán)值來衡量重要程度，廣泛應(yīng)用于實(shí)際問題中。結(jié)合事故根原因均具有權(quán)重的特點(diǎn)，本文分別利用基于傳統(tǒng)支持度計(jì)數(shù)的算法、水平加權(quán)關(guān)聯(lián)規(guī)則挖掘算法與本文提出的加權(quán)支持度計(jì)數(shù)的關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行結(jié)果比較。設(shè)置支持度閾值為42%，置信度閾值為90%。挖掘的關(guān)聯(lián)規(guī)則總數(shù)和級(jí)別相同的指標(biāo)間的關(guān)聯(lián)規(guī)則數(shù)目如圖3所示，結(jié)果表明,加權(quán)關(guān)聯(lián)規(guī)則算法產(chǎn)生的規(guī)則數(shù)明顯減少，本文提出的加權(quán)支持度計(jì)數(shù)的關(guān)聯(lián)規(guī)則挖掘算法能夠排除相對(duì)多的冗余關(guān)聯(lián)規(guī)則，算法準(zhǔn)確率有了明顯的提高。

圖3 指標(biāo)間的關(guān)聯(lián)規(guī)則數(shù)目對(duì)比

在算法的運(yùn)行效率方面，本文將置信度設(shè)為90%，當(dāng)支持度從30%變化到45%時(shí)，由圖4可以看出，本文方法具有最少的執(zhí)行時(shí)間，挖掘效率相對(duì)較高?；趥鹘y(tǒng)支持度計(jì)數(shù)的算法認(rèn)為各個(gè)項(xiàng)的重要程度相同，交易項(xiàng)很多因此執(zhí)行時(shí)間較長(zhǎng)。而水平加權(quán)關(guān)聯(lián)規(guī)則挖掘算法雖然能發(fā)揮權(quán)值的作用但是失去了傳統(tǒng)關(guān)聯(lián)規(guī)則算法中利用頻繁集向下封閉的性質(zhì)，使得降低了挖掘關(guān)聯(lián)規(guī)則的效率，運(yùn)行時(shí)間過長(zhǎng)。

圖4 執(zhí)行時(shí)間對(duì)比

另外，由于關(guān)聯(lián)規(guī)則中的前件指標(biāo)能夠加強(qiáng)后件出現(xiàn)的可能性，因此本文在支持度為42%、置信度為90%的條件下將基于傳統(tǒng)支持度計(jì)數(shù)的算法、水平加權(quán)關(guān)聯(lián)規(guī)則挖掘算法和本文提出的加權(quán)支持度關(guān)聯(lián)規(guī)則挖掘算法所得到的前件指標(biāo)個(gè)數(shù)統(tǒng)計(jì)如圖5所示，并選擇基于傳統(tǒng)支持度計(jì)數(shù)的算法得到的前件指標(biāo)個(gè)數(shù)順序進(jìn)行排序?？梢钥闯?種加權(quán)關(guān)聯(lián)規(guī)則挖掘算法得到的關(guān)聯(lián)規(guī)則中，有些前件指標(biāo)出現(xiàn)數(shù)量減少，有些前件指標(biāo)出現(xiàn)數(shù)量反而增多。

圖5 指標(biāo)間的關(guān)聯(lián)規(guī)則前件指標(biāo)個(gè)數(shù)

根據(jù)圖6所統(tǒng)計(jì)的指標(biāo)評(píng)分值排序可以得出：多數(shù)高評(píng)分值的指標(biāo)個(gè)數(shù)明顯增多，多數(shù)評(píng)分值相對(duì)較低的指標(biāo)在加權(quán)后挖掘到的規(guī)則中數(shù)量明顯減少甚至趨于0。通過對(duì)前件指標(biāo)結(jié)果的分析可以看出水平加權(quán)關(guān)聯(lián)規(guī)則挖掘算法得到的9.8.1指標(biāo)和9.1.4指標(biāo)個(gè)數(shù)結(jié)果較加權(quán)前有所減少，而兩者都是頻繁的且具有很大的權(quán)值，因此其所在的關(guān)聯(lián)規(guī)則在實(shí)際應(yīng)用中有很重要的作用，由此進(jìn)一步說明本文提出的加權(quán)支持度關(guān)聯(lián)規(guī)則挖掘算法與水平加權(quán)關(guān)聯(lián)規(guī)則挖掘算法相比，更能準(zhǔn)確地將評(píng)分值較低的指標(biāo)關(guān)聯(lián)過濾，更加體現(xiàn)了評(píng)分值高的指標(biāo)的關(guān)聯(lián)性，所挖掘到的關(guān)聯(lián)規(guī)則可信任度更高。

(a) 總評(píng)分值排序

(b) 評(píng)分為5的個(gè)數(shù)排序

4 結(jié)束語

本文基于指標(biāo)完整評(píng)分?jǐn)?shù)據(jù)提出了基于加權(quán)支持度計(jì)數(shù)的關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行事故與安全指標(biāo)體系的關(guān)聯(lián)分析,針對(duì)指標(biāo)的重要程度，通過改進(jìn)頻繁模式之間支持度的計(jì)數(shù)來體現(xiàn)重要指標(biāo)的關(guān)聯(lián)關(guān)系，能夠更準(zhǔn)確全面地挖掘重要指標(biāo)項(xiàng)之間的相互關(guān)聯(lián)關(guān)系以及事故屬性與指標(biāo)之間的關(guān)聯(lián)關(guān)系；使得企業(yè)能夠更深刻地了解和掌握與自身安全管理情況更有針對(duì)性的風(fēng)險(xiǎn)指標(biāo)，為提高企業(yè)的安全風(fēng)險(xiǎn)評(píng)估提供決策建議。

本文研究的重點(diǎn)在挖掘重要指標(biāo)項(xiàng)之間以及指標(biāo)項(xiàng)與事故屬性間的關(guān)聯(lián)關(guān)系，下一步將針對(duì)事故樣本屬性分布不平衡性進(jìn)行深入研究，以期更加全面地指導(dǎo)企業(yè)安全生產(chǎn)。