變電站操作不安全行為核心影響因素分析*

朱紫陽(yáng)，王文鈺，田 猛，王先培

(1.武漢大學(xué) 電子信息學(xué)院，湖北 武漢 430072;2.武漢大學(xué) 發(fā)展與教育心理研究所，湖北 武漢 430072)

0 引言

變電站在發(fā)電設(shè)施與用電者間起到集中、轉(zhuǎn)換、分配電能的作用，是維持現(xiàn)代電力系統(tǒng)正常運(yùn)行的重要設(shè)施。近年來(lái)，約66%的電力人身傷亡事故由不安全行為導(dǎo)致[1]，成為影響電力作業(yè)安全的重要因素。因此，研究不安全行為的核心影響因素有助于理解變電站事故的根本原因，對(duì)于減少事故的發(fā)生具有重要意義。

目前，國(guó)內(nèi)外學(xué)者普遍關(guān)注安全氛圍[2-5]、安全管理[6-9]等客觀因素對(duì)操作者不安全行為的影響，但除客觀因素外，現(xiàn)代心理學(xué)認(rèn)為人的行為受心理因素支配，是心理活動(dòng)的外在呈現(xiàn)[10]。因此，心理因素也被視為影響不安全行為的重要因素之一[11]。

國(guó)內(nèi)外學(xué)者對(duì)影響不安全行為的心理因素開(kāi)展研究：Wang等[12]調(diào)查并分析359個(gè)建筑工人，發(fā)現(xiàn)心理壓力會(huì)從安全參與和安全服從2個(gè)方面影響安全行為；Qin等[13]設(shè)計(jì)量表和問(wèn)卷探究心理資本與煤礦工人安全行為之間的關(guān)系，證實(shí)二者具有強(qiáng)關(guān)聯(lián)性；陳梅等[14]從主觀社會(huì)支持角度探究心理狀態(tài)對(duì)建筑工人不安全行為的重要影響，得到可以減少事故發(fā)生的策略；付凈等[15]基于24模型分析煤礦工人不安全行為的內(nèi)在致因，發(fā)現(xiàn)安全心理和安全知識(shí)影響相對(duì)較大。針對(duì)不安全行為心理致因的研究還存在2點(diǎn)不足：研究者僅關(guān)注單一心理維度對(duì)安全行為的影響，導(dǎo)致結(jié)論適用范圍有限；現(xiàn)有研究普遍關(guān)注煤礦和建筑領(lǐng)域，針對(duì)變電站工作者不安全行為的心理影響因素研究較少。

因此，本文在對(duì)變電站員工調(diào)查問(wèn)卷基礎(chǔ)上，建立包含不安全行為和9種安全心理維度的貝葉斯網(wǎng)絡(luò)模型，探究其核心影響因素。研究結(jié)果有助于拓展針對(duì)變電站操作者的心理教育措施，并輔助建立系統(tǒng)化的心理預(yù)警機(jī)制，進(jìn)而減少事故發(fā)生。

1 安全心理

安全心理是指人在從事安全生產(chǎn)活動(dòng)時(shí)產(chǎn)生的特殊心理活動(dòng)。這種心理狀態(tài)與當(dāng)事人的安全行為聯(lián)系緊密。從心理學(xué)角度出發(fā)，探究不安全行為產(chǎn)生的根本原因，能針對(duì)性地提出解決方法，減少由于不安全行為導(dǎo)致的事故。根據(jù)文獻(xiàn)[16]可知，影響安全的外在心理狀況主要包含逆反心理、習(xí)慣心理、自負(fù)心理、求快心理、厭煩心理、僥幸心理、緊張心理和麻痹心理等，然而電力行業(yè)具有事故代價(jià)大、技術(shù)難度高、涉及范圍廣、系統(tǒng)復(fù)雜且高度集成、工作壓力大等特點(diǎn)，這導(dǎo)致從業(yè)者的安全心理維度與其他行業(yè)略有不同。中國(guó)科學(xué)院在2016年有關(guān)電力行業(yè)工作者安全心理現(xiàn)狀的研究中提到，緊張心理、情緒穩(wěn)定性等因素是導(dǎo)致電力行業(yè)員工產(chǎn)生不安全行為的重要心理因素?；趪?guó)內(nèi)基層電力員工安全心理模型[17-18]，本文提出9種影響變電站操作者產(chǎn)生不安全行為的心理，見(jiàn)表1。

2 數(shù)據(jù)獲取

本文數(shù)據(jù)來(lái)源于2018年和2019年國(guó)家電網(wǎng)某省有限公司安全心理課題中發(fā)放的電網(wǎng)員工安全心理自評(píng)問(wèn)卷，該問(wèn)卷依據(jù)表1對(duì)變電站員工的9種心理維度進(jìn)行評(píng)價(jià)，每個(gè)維度被量化為[0,5]區(qū)間內(nèi)的分?jǐn)?shù)，分?jǐn)?shù)越高，表示被測(cè)者在這個(gè)維度的表現(xiàn)越差。為了讓評(píng)分?jǐn)?shù)據(jù)能用于模型訓(xùn)練，將分?jǐn)?shù)按照表2離散化為3種取值：低于正常值(Low)、正常值(Normal)、高于正常值(High)。每位員工的安全行為使用9個(gè)維度的總分衡量，并以20分為分界線，離散化為存在安全行為(Yes)和存在不安全行為(No)。

據(jù)統(tǒng)計(jì)，2018年和2019年問(wèn)卷調(diào)查分別得到824，20 406個(gè)(人次)有效數(shù)據(jù)，共計(jì)21 230個(gè)。在模型中，9種心理維度均可單獨(dú)影響安全行為，即該貝葉斯網(wǎng)絡(luò)最多可能有9個(gè)父節(jié)點(diǎn)。同時(shí)考慮到每個(gè)節(jié)點(diǎn)均有3種取值方式，用于模型訓(xùn)練的數(shù)據(jù)最少需要39=19 683個(gè)。因此，將21 230個(gè)有效數(shù)據(jù)劃分為包含20 000個(gè)數(shù)據(jù)的訓(xùn)練集和包含1 230個(gè)數(shù)據(jù)的檢驗(yàn)集。

表1 影響變電站操作不安全行為的9種心理維度Table 1 Nine psychological dimensions affecting unsafe operation behavior in substation

表2 9種心理維度評(píng)分的正常值范圍Table 2 Normal value range of scores for nine psychological dimensions

3 貝葉斯網(wǎng)絡(luò)模型

貝葉斯網(wǎng)絡(luò)是1種反映概率分布并能實(shí)現(xiàn)概率推理的有向無(wú)環(huán)圖[19]。建立貝葉斯網(wǎng)絡(luò)模型主要包含結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)2個(gè)步驟，分別用于構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和獲取各節(jié)點(diǎn)的概率分布，模型建立后需要進(jìn)行網(wǎng)絡(luò)評(píng)價(jià)，用于檢驗(yàn)其合理性。

3.1 結(jié)構(gòu)學(xué)習(xí)

結(jié)構(gòu)學(xué)習(xí)方法主要分為基于專家知識(shí)和基于結(jié)構(gòu)學(xué)習(xí)算法，2種方法有1個(gè)共同缺點(diǎn)，即如果掌握的知識(shí)或觀測(cè)數(shù)據(jù)不足，就無(wú)法建立正確的網(wǎng)絡(luò)結(jié)構(gòu)。為解決這個(gè)問(wèn)題，文獻(xiàn)[20]提出將結(jié)構(gòu)學(xué)習(xí)算法與專家知識(shí)相結(jié)合，得到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。

結(jié)構(gòu)學(xué)習(xí)算法主要分為基于評(píng)分和基于約束，實(shí)踐經(jīng)驗(yàn)表明，單一結(jié)構(gòu)學(xué)習(xí)算法構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)不夠準(zhǔn)確。因此，本文提出用于結(jié)構(gòu)學(xué)習(xí)的融合算法，并使用專家知識(shí)修正網(wǎng)絡(luò)結(jié)構(gòu)，具體包括以下4個(gè)步驟：

1)在貝葉斯仿真軟件GeNIe上，將訓(xùn)練集用Bayesian Search算法訓(xùn)練5次，每次將迭代次數(shù)分別設(shè)置為20 k，40 k，100 k，200 k，400 k次。

2)在GeNIe上，將訓(xùn)練集用PC算法訓(xùn)練1次。

3)融合以上6次訓(xùn)練結(jié)果。

4)用專家知識(shí)修正網(wǎng)絡(luò)結(jié)構(gòu)[21]。

在針對(duì)變電站作業(yè)者安全心理的評(píng)估中，心理承受力(Dim_1)對(duì)情緒穩(wěn)定性(Dim_9)及僥幸心理(Dim_3)對(duì)冒險(xiǎn)心理(Dim_5)展現(xiàn)出強(qiáng)關(guān)聯(lián)性。因此，本文在網(wǎng)絡(luò)結(jié)構(gòu)中分別連接這2對(duì)節(jié)點(diǎn)。

Riascos等[22]運(yùn)用類似方法將2種基于評(píng)分的結(jié)構(gòu)學(xué)習(xí)算法(K2和MCMC)融合，再利用有限的專家知識(shí)修正網(wǎng)絡(luò)結(jié)構(gòu)，取得良好的效果；Bassamzadeh等[23]證實(shí)多次重啟基于評(píng)分的結(jié)構(gòu)學(xué)習(xí)算法能使結(jié)果避免陷入局部最佳。考慮到Bayesian Search算法迭代次數(shù)越多，最終得到的網(wǎng)絡(luò)結(jié)構(gòu)越準(zhǔn)確，本文采取多次重啟并逐次增加迭代次數(shù)的思路，以期得到更加準(zhǔn)確的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

本文利用貝葉斯仿真軟件GeNIe完成結(jié)構(gòu)學(xué)習(xí)。為了與參數(shù)學(xué)習(xí)結(jié)果統(tǒng)一格式，圖1展示模型在Netica上的可視化結(jié)構(gòu)。

圖1 變電站操作不安全行為模型結(jié)構(gòu)Fig.1 Model structure of unsafe operation behavior in substation

3.2 參數(shù)學(xué)習(xí)

在處理真實(shí)調(diào)查數(shù)據(jù)時(shí)，由于問(wèn)卷填寫(xiě)者的主觀原因或收集數(shù)據(jù)時(shí)的客觀原因，數(shù)據(jù)缺失難以避免。為保證貝葉斯網(wǎng)絡(luò)模型訓(xùn)練的準(zhǔn)確性，本文選用能學(xué)習(xí)缺省數(shù)據(jù)的EM算法實(shí)現(xiàn)參數(shù)學(xué)習(xí)。

在Netica中使用EM算法學(xué)習(xí)訓(xùn)練集的CPT，訓(xùn)練好的變電站操作不安全行為模型如圖2所示。由圖2可知，變電站中僅有67.6%的被測(cè)者行為是安全的；在9種心理維度中，被測(cè)者在麻痹心理方面表現(xiàn)較好，說(shuō)明大部分變電站工作者對(duì)危險(xiǎn)較為敏感，沒(méi)有失去警覺(jué)性；但同時(shí)被測(cè)者在冒險(xiǎn)心理方面卻不容樂(lè)觀，這說(shuō)明大部分人能感知到環(huán)境發(fā)出的危險(xiǎn)信號(hào)，仍然選擇冒險(xiǎn)作業(yè)，從而產(chǎn)生不安全行為，導(dǎo)致事故發(fā)生。

3.3 網(wǎng)絡(luò)評(píng)價(jià)

本文選取5種常用于評(píng)價(jià)貝葉斯網(wǎng)絡(luò)質(zhì)量的參數(shù)：Errorrate[3]、Sphericalpayoff[24]、Logarithmicloss[24]、Quadraticloss[24]、AUC(Area Under the Curve) of theROC(Receiver Operating Characteristic)(簡(jiǎn)稱AUC,下同)[19]，并在Netica中將檢驗(yàn)集代入網(wǎng)絡(luò)驗(yàn)證，結(jié)果如表3所示，表3還列舉文獻(xiàn)[3]中模型的對(duì)應(yīng)參數(shù)值作為參照。對(duì)比表3中數(shù)據(jù)可知，除去文獻(xiàn)[3]中不存在AUC值以外(因?yàn)樵撐墨I(xiàn)的安全行為節(jié)點(diǎn)是3分類)，其余本文模型參數(shù)均優(yōu)于文獻(xiàn)結(jié)果。同時(shí)，本文模型的AUC為0.945 8，屬于預(yù)測(cè)能力極好的范圍。因此，可以認(rèn)為該模型構(gòu)建合理，且具有較為優(yōu)異的泛化能力，可以用于后續(xù)分析。

4 變電站不安全行為模型分析

靈敏度分析(Sensitivity Analysis)常用于反映貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)間的相互影響程度。在本文建立模型中，對(duì)安全行為節(jié)點(diǎn)影響最大的安全心理節(jié)點(diǎn)即為變電站不安全行為的核心影響因素。本文在靈敏度分析中使用的具體方法主要有MI分析和預(yù)測(cè)推理。

圖2 變電站操作不安全行為模型Fig.2 Unsafe operation behavior model for substation

表3 變電站操作不安全行為模型評(píng)價(jià)Table 3 Evaluation of unsafe operation behavior model for substation

4.1 MI分析

MI值用于衡量貝葉斯網(wǎng)絡(luò)中某個(gè)節(jié)點(diǎn)(設(shè)為X)對(duì)另一節(jié)點(diǎn)(設(shè)為Y)的影響程度[19]，如式(1)所示：

MI(X,Y)=H(X)-H(X|Y)

(1)

式中：H(X)為隨機(jī)變量X的熵，用于衡量X的不確定程度。

H(X)計(jì)算如式(2)所示[25]：

(2)

式中：x表示隨機(jī)變量X的取值；P(x)表示隨機(jī)變量x的概率。

MI值越大，說(shuō)明節(jié)點(diǎn)X，Y間的影響程度越大，相互依賴性越強(qiáng)[26]。

在Netica中分別計(jì)算9個(gè)心理維度節(jié)點(diǎn)對(duì)安全行為節(jié)點(diǎn)的MI值，結(jié)果如表4所示。由表4可知，情緒穩(wěn)定性(Dim_9)和心理承受力(Dim_1)對(duì)安全行為的MI值分別為0.075 57，0.070 62，遠(yuǎn)高于其他維度，說(shuō)明這2種心理維度對(duì)變電站操作者的安全行為影響較大。

4.2 預(yù)測(cè)推理

預(yù)測(cè)推理過(guò)程是給定“原因”(9種安全心理)的觀測(cè)值，觀察“結(jié)果”(安全行為)的概率值變化率，從而預(yù)測(cè)可能導(dǎo)致的結(jié)果。文獻(xiàn)[2]將預(yù)測(cè)推理用于分析建筑行業(yè)中不安全行為的核心影響因素，得到能夠有效提升安全行為比率的策略。

表4 9個(gè)心理維度節(jié)點(diǎn)對(duì)安全行為節(jié)點(diǎn)的MI值Table 4 MI of 9 psychological dimension nodes to safe behavior nodes

在Netica中分別給9個(gè)心理維度節(jié)點(diǎn)設(shè)置證據(jù)，觀察安全行為節(jié)點(diǎn)的靈敏度，如表5所示。其中，“初始值”為設(shè)置證據(jù)前安全行為節(jié)點(diǎn)中“存在安全行為”的概率，“低于正常值”、“正常值”、“高于正常值”分別為給節(jié)點(diǎn)設(shè)置對(duì)應(yīng)證據(jù)后的概率，表5中靈敏度如式(3)所示[2]：

(3)

表5 預(yù)測(cè)推理靈敏度分析結(jié)果Table 5 Predictive inference sensitivity analysis results

式中：P(best scenario)為安全行為節(jié)點(diǎn)中“存在安全行為”的最高概率；P(worst scenario)為安全行為節(jié)點(diǎn)中“存在安全行為”的最低概率。

由表5可知，當(dāng)所有心理維度均高于正常值時(shí)，情緒穩(wěn)定性和心理承受力導(dǎo)致安全行為變化的靈敏度相對(duì)較大，表明這2種安全心理是變電站操作不安全行為的核心影響因素。

5 結(jié)論

1)以國(guó)家電網(wǎng)某省電力有限公司變電站員工安全心理自評(píng)數(shù)據(jù)為基礎(chǔ)，訓(xùn)練模型的結(jié)構(gòu)和參數(shù)；針對(duì)結(jié)構(gòu)學(xué)習(xí)中單一算法訓(xùn)練結(jié)果不準(zhǔn)確問(wèn)題，提出融合Bayesian Search和PC算法，并使用專家知識(shí)修正的結(jié)構(gòu)學(xué)習(xí)方法，針對(duì)基于評(píng)分的結(jié)構(gòu)學(xué)習(xí)算法容易陷入局部最佳問(wèn)題，提出多次重啟并逐次增加迭代次數(shù)的方法；本文模型在4種參數(shù)上均優(yōu)于文獻(xiàn)模型，具有良好的泛化能力。

2)通過(guò)使用MI分析和預(yù)測(cè)推理分析變電站操作不安全行為模型，發(fā)現(xiàn)情緒穩(wěn)定性和心理承受力是變電站操作不安全行為的核心影響因素。研究結(jié)果可為改進(jìn)變電站安全措施提供指導(dǎo)性意見(jiàn)。