基于關(guān)聯(lián)規(guī)則的“一帶一路”重大石油項(xiàng)目風(fēng)險(xiǎn)致因關(guān)聯(lián)網(wǎng)絡(luò)分析*

摘要：近年來，隨著“一帶一路”倡議的穩(wěn)步推進(jìn)，我國(guó)在其沿線國(guó)家開展重大石油項(xiàng)目的需求日益增長(zhǎng)。為應(yīng)對(duì)復(fù)雜的風(fēng)險(xiǎn)，減少事故發(fā)生，提出基于關(guān)聯(lián)規(guī)則的石油項(xiàng)目事故風(fēng)險(xiǎn)致因關(guān)聯(lián)網(wǎng)絡(luò)分析方法。首先，整理215份石油項(xiàng)目事故報(bào)告，進(jìn)行風(fēng)險(xiǎn)因素的歸類；其次，通過Apriori算法提取關(guān)聯(lián)規(guī)則；最后，在關(guān)聯(lián)規(guī)則基礎(chǔ)上生成復(fù)雜網(wǎng)絡(luò)模型，量化分析網(wǎng)絡(luò)指標(biāo)，確定關(guān)鍵風(fēng)險(xiǎn)因素。研究結(jié)果表明管理因素和人的因素是風(fēng)險(xiǎn)傳播的核心。通過對(duì)高風(fēng)險(xiǎn)節(jié)點(diǎn)的精確管理和控制，能有效降低事故發(fā)生和傳播的風(fēng)險(xiǎn)。

關(guān)鍵詞：“一帶一路”倡議；風(fēng)險(xiǎn)管理；關(guān)聯(lián)規(guī)則；復(fù)雜網(wǎng)絡(luò)分析

0引言

自從我國(guó)提出“一帶一路”倡議以來，可通過海陸兩條線推動(dòng)國(guó)際合作和促進(jìn)區(qū)域經(jīng)濟(jì)一體化。至今，“一帶一路”倡議得到了各國(guó)的廣泛關(guān)注與響應(yīng)。截至2024年9月，已有155個(gè)國(guó)家與我國(guó)簽署了“一帶一路”合作協(xié)議，該倡議已經(jīng)成為我國(guó)對(duì)外開放和全球合作的戰(zhàn)略核心。

近年來，我國(guó)對(duì)于“一帶一路”及其沿線項(xiàng)目需求較高，尤其是以石油為代表的能源項(xiàng)目。石油作為工業(yè)的重要能源，其需求長(zhǎng)期處于較高水平，國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示，2023年我國(guó)石油進(jìn)口依存度高達(dá)72.3%[1]，而“一帶一路”沿線國(guó)家擁有豐富的石油資源，占全球探明石油儲(chǔ)量的80%以上[2]，加之中美間貿(mào)易摩擦的持續(xù)，使得我國(guó)更加注重通過“一帶一路”沿線國(guó)家分散石油進(jìn)口渠道[3]，其具有重要的經(jīng)濟(jì)和戰(zhàn)略價(jià)值。

隨著我國(guó)對(duì)于“一帶一路”重大石油項(xiàng)目的需求不斷加大，其中的風(fēng)險(xiǎn)管理需求也變得更加緊迫，除去石油項(xiàng)目本身復(fù)雜的技術(shù)、資金、管理等風(fēng)險(xiǎn)，還涉及地緣政治風(fēng)險(xiǎn)、社會(huì)風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)等諸多方面的不確定性，且風(fēng)險(xiǎn)具有復(fù)雜的互動(dòng)關(guān)系和因果聯(lián)系，現(xiàn)有的石油風(fēng)險(xiǎn)模型難以適用于這些特定的環(huán)境，且其大多采用靜態(tài)管理模式，忽視了不同風(fēng)險(xiǎn)之間的相互耦合效應(yīng)和動(dòng)態(tài)變化[4]。因此亟須結(jié)合“一帶一路”沿線國(guó)家的特殊情況，進(jìn)一步研究不同風(fēng)險(xiǎn)因素之間的因果聯(lián)系及其動(dòng)態(tài)變化機(jī)制，以構(gòu)建更加完善的風(fēng)險(xiǎn)管理框架。為石油項(xiàng)目治理提供新方法、新思路，進(jìn)而提升風(fēng)險(xiǎn)管理的科學(xué)性和智能化水平。

1風(fēng)險(xiǎn)致因網(wǎng)絡(luò)模型構(gòu)建

1.1關(guān)聯(lián)規(guī)則挖掘方法

關(guān)聯(lián)規(guī)則是一種數(shù)據(jù)挖掘技術(shù)，用以分析數(shù)據(jù)中頻繁出現(xiàn)的項(xiàng)集及不同變量之間的潛在關(guān)系，常用于市場(chǎng)購(gòu)物籃分析、交通安全研究、風(fēng)險(xiǎn)管理等領(lǐng)域[5]。評(píng)估關(guān)聯(lián)規(guī)則有效性時(shí)，通常使用的三個(gè)重要指標(biāo)，具體如下[6]：

（1）支持度。反應(yīng)某一項(xiàng)集在數(shù)據(jù)集中出現(xiàn)的頻率，以此為基礎(chǔ)進(jìn)行頻繁項(xiàng)集的篩選。規(guī)則如下

Support（A→B）=Count（A∪B）/Total Transactions

（2）置信度。當(dāng)項(xiàng)集A發(fā)生時(shí)項(xiàng)集B也發(fā)生的概率，反應(yīng)規(guī)則發(fā)生的可能性，即置信度越高，關(guān)聯(lián)規(guī)則越可靠。規(guī)則如下

Confidence（A→B）=Support（A∪B）/Support（A）

（3）提升度。項(xiàng)集A和項(xiàng)集B同時(shí)出現(xiàn)的概率與獨(dú)立出現(xiàn)的概率之比，可評(píng)價(jià)兩個(gè)項(xiàng)集之間相關(guān)關(guān)系的強(qiáng)度。規(guī)則如下

Lift（A→B）=Confidence（A→B）/Support（B）

通過上述三個(gè)指標(biāo)，能夠更準(zhǔn)確地評(píng)估數(shù)據(jù)集中不同變量之間的關(guān)聯(lián)強(qiáng)度及其代表性、可靠性、相關(guān)性，為實(shí)際分析提供有價(jià)值的決策支持。

Apriori算法是經(jīng)典的頻繁項(xiàng)集挖掘算法，逐層生成候選項(xiàng)集，并通過子集頻繁性原則進(jìn)行剪枝[7]。此算法結(jié)構(gòu)清晰，易于實(shí)現(xiàn)，尤其在處理小規(guī)模數(shù)據(jù)集和事故報(bào)告等文本數(shù)據(jù)時(shí)表現(xiàn)良好[8-9]。鑒于本文所收集事故報(bào)告案例為文本數(shù)據(jù)，且數(shù)據(jù)量在百條左右，適合選用Apriori算法識(shí)別關(guān)鍵風(fēng)險(xiǎn)因子的關(guān)聯(lián)，以更加全面地分析風(fēng)險(xiǎn)特征。

1.2復(fù)雜網(wǎng)絡(luò)分析方法

復(fù)雜網(wǎng)絡(luò)分析法是研究系統(tǒng)中不同元素之間關(guān)系的工具，由圖論和統(tǒng)計(jì)學(xué)發(fā)展而來，現(xiàn)已應(yīng)用于風(fēng)險(xiǎn)管理領(lǐng)域[10-13]。其將系統(tǒng)中的元素以節(jié)點(diǎn)的形式表示，節(jié)點(diǎn)之間的邏輯關(guān)系以邊的形式表示，由此構(gòu)建復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，研究其拓?fù)浜徒y(tǒng)計(jì)特征。主要分析指標(biāo)如下：

（1）節(jié)點(diǎn)的度。表示與該節(jié)點(diǎn)相連的邊的數(shù)量，在風(fēng)險(xiǎn)管理中表現(xiàn)為與多個(gè)風(fēng)險(xiǎn)因子相關(guān)的重要節(jié)點(diǎn)，其可以幫助識(shí)別關(guān)鍵風(fēng)險(xiǎn)因素，如故障頻繁關(guān)聯(lián)的操作或環(huán)境因素。

（2）聚類系數(shù)。表示節(jié)點(diǎn)與相鄰節(jié)點(diǎn)彼此相連的概率，較高聚類系數(shù)表明因子之間存在緊密聯(lián)系，可能產(chǎn)生風(fēng)險(xiǎn)間鏈條反應(yīng)。

（3）網(wǎng)絡(luò)直徑。表示兩個(gè)節(jié)點(diǎn)之間最短路徑的最大值，可評(píng)估最壞情況下風(fēng)險(xiǎn)傳播的最遠(yuǎn)距離。

（4）平均路徑長(zhǎng)度。表示兩個(gè)節(jié)點(diǎn)之間最短路徑的平均長(zhǎng)度，以反應(yīng)網(wǎng)絡(luò)的連通性。

（5）緊密度。表示節(jié)點(diǎn)連接其他節(jié)點(diǎn)的能力，能力高的節(jié)點(diǎn)對(duì)于項(xiàng)目整體風(fēng)險(xiǎn)傳播至關(guān)重要。

在風(fēng)險(xiǎn)管理領(lǐng)域?qū)㈥P(guān)聯(lián)規(guī)則和復(fù)雜網(wǎng)絡(luò)相結(jié)合的研究取得了不少成果。在煤礦事故中，羅茜茜[14]通過構(gòu)建基于關(guān)聯(lián)規(guī)則的事故因果網(wǎng)絡(luò)，研究了煤礦事故中的關(guān)鍵因素及其關(guān)聯(lián)，揭示了復(fù)雜環(huán)境中的潛在風(fēng)險(xiǎn)傳遞機(jī)制。在金融風(fēng)險(xiǎn)管理中，李奕君等[15]使用復(fù)雜網(wǎng)絡(luò)模型分析了金融系統(tǒng)中不同風(fēng)險(xiǎn)因素的傳播關(guān)系，提出了針對(duì)高風(fēng)險(xiǎn)節(jié)點(diǎn)的防范策略。在工程項(xiàng)目管理中，范如國(guó)等[16]采用復(fù)雜網(wǎng)絡(luò)模型，結(jié)合關(guān)聯(lián)規(guī)則分析復(fù)雜項(xiàng)目中的風(fēng)險(xiǎn)因素，發(fā)現(xiàn)了風(fēng)險(xiǎn)傳播路徑及關(guān)鍵節(jié)點(diǎn)。通過結(jié)合關(guān)聯(lián)規(guī)則與復(fù)雜網(wǎng)絡(luò)分析，能夠更加系統(tǒng)地識(shí)別和應(yīng)對(duì)潛在風(fēng)險(xiǎn)，更有效地挖掘風(fēng)險(xiǎn)傳遞的機(jī)制，實(shí)現(xiàn)更高效的風(fēng)險(xiǎn)管理與決策支持。

2風(fēng)險(xiǎn)致因網(wǎng)絡(luò)模型分析

2.1數(shù)據(jù)收集和預(yù)處理

本文數(shù)據(jù)來源于應(yīng)急管理部網(wǎng)站，共收集到215份石油項(xiàng)目事故調(diào)查報(bào)告?？紤]到事故報(bào)告涉及的時(shí)間、地理范圍較廣，事故報(bào)告的格式、內(nèi)容、描述均存在差異，需要對(duì)收集到的事故調(diào)查報(bào)告進(jìn)行處理和整合。處理報(bào)告時(shí)需提取事故時(shí)間、類型、傷亡情況、經(jīng)濟(jì)損失等信息。根據(jù)風(fēng)險(xiǎn)管理中“人機(jī)環(huán)管”模型，對(duì)報(bào)告中事故所涉及的數(shù)據(jù)風(fēng)險(xiǎn)因素進(jìn)行初步提取并分層，同時(shí)對(duì)相似的風(fēng)險(xiǎn)因素進(jìn)行統(tǒng)一歸集，初步分析如下：

人的因素主要包括違反操作規(guī)程、員工缺乏專業(yè)技能、安全意識(shí)淡薄等；設(shè)備因素主要包括罐體或管線破裂損壞、安全裝置缺失或損壞等；環(huán)境因素包括環(huán)境中可燃?xì)怏w濃度高、明火等；管理因素包括作業(yè)方案不健全、安全教育培訓(xùn)不到位、監(jiān)督檢查不到位等。

對(duì)事故報(bào)告初步分析發(fā)現(xiàn)，這些不同類型的事故共造成967人死亡，5632人受傷，造成經(jīng)濟(jì)損失221.01億元，社會(huì)危害極大，嚴(yán)重威脅了人民群眾的生命和財(cái)產(chǎn)安全。從事故類型來看，共包括6類：爆炸事故，占比18.6%；物體打擊事故，占比15.8%；機(jī)械傷害事故，占比11.2%；高處墜落事故，占比9.3%；火災(zāi)事故，占比8.4%；其他事故，占比27.4%。從事故等級(jí)來看，共包含8起特別重大事故，8起重大事故，26起較大事故，173起一般事故。從事故風(fēng)險(xiǎn)因素來看，共收集到52個(gè)事故風(fēng)險(xiǎn)因素，統(tǒng)計(jì)分析其出現(xiàn)頻數(shù)，發(fā)現(xiàn)部分風(fēng)險(xiǎn)因素出現(xiàn)頻次極低，且多為個(gè)性化的獨(dú)有風(fēng)險(xiǎn)因素。為避免關(guān)聯(lián)規(guī)則冗余，刪除頻次較低的風(fēng)險(xiǎn)因素，篩選出現(xiàn)頻次在6次及以上的風(fēng)險(xiǎn)因素，最終保留31個(gè)風(fēng)險(xiǎn)因素。事故風(fēng)險(xiǎn)因素類別如圖1所示。

進(jìn)行關(guān)聯(lián)規(guī)則分析之前，還需將提煉出的風(fēng)險(xiǎn)因素進(jìn)行歸類和標(biāo)簽化處理，將非結(jié)構(gòu)化的文本數(shù)據(jù)轉(zhuǎn)化為更易處理的結(jié)構(gòu)化標(biāo)簽，便于后續(xù)的深入分析。風(fēng)險(xiǎn)因素標(biāo)簽見表1。

2.2石油項(xiàng)目風(fēng)險(xiǎn)關(guān)聯(lián)規(guī)則挖掘

在完成數(shù)據(jù)預(yù)處理和風(fēng)險(xiǎn)因素提取后，對(duì)數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘。為確保關(guān)聯(lián)規(guī)則分析的準(zhǔn)確性和有效性，必須合理設(shè)置支持度和置信度等參數(shù)，以便在不遺漏重要信息的情況下，最大限度地提高規(guī)則的有效性。

2.2.1閾值確定

設(shè)置參數(shù)對(duì)關(guān)聯(lián)規(guī)則的挖掘結(jié)果有重要影響。一方面，如果設(shè)置較高的支持度與置信度，則生成關(guān)聯(lián)規(guī)則條數(shù)會(huì)較少，容易遺漏有用數(shù)據(jù)，忽視部分風(fēng)險(xiǎn)之間的關(guān)聯(lián)性[17]；另一方面，所設(shè)置較低的支持度和置信度，雖然規(guī)則條數(shù)較多，但易保留無關(guān)信息或噪聲數(shù)據(jù)，增加篩選結(jié)論的難度。不同閾值下關(guān)聯(lián)規(guī)則置信度與支持度分析如圖2所示。分析結(jié)果顯示，將項(xiàng)集置信度設(shè)置為0.5，規(guī)則支持度設(shè)置為0.03，此時(shí)得出的關(guān)聯(lián)規(guī)則最為合理。

2.2.2關(guān)聯(lián)規(guī)則生成與分析

由圖2可知，利用python實(shí)現(xiàn)Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則計(jì)算，并剔除少數(shù)提升度小于1或明顯不合理的規(guī)則，保留55條關(guān)聯(lián)規(guī)則，其中支持度排序較高的前二十條關(guān)聯(lián)規(guī)則結(jié)果分析見表2。

由表2可知，支持度最高的規(guī)則是：“安全意識(shí)淡薄→違反操作規(guī)程”，其支持度為0.131，表明數(shù)據(jù)中這兩個(gè)因素共同出現(xiàn)的比例達(dá)13%，往往相伴發(fā)生，具有較強(qiáng)的關(guān)聯(lián)性，是需要著重關(guān)注的風(fēng)險(xiǎn)組合；置信度最高的規(guī)則為：“違反操作規(guī)程、安全管理制度不落實(shí)→安全意識(shí)淡薄”，其置信度為1.000，表明前項(xiàng)風(fēng)險(xiǎn)存在時(shí)，必然會(huì)導(dǎo)致安全意識(shí)淡薄的現(xiàn)象。因此，只有通過嚴(yán)格管理并規(guī)范操作行為，確保安全管理制度的落實(shí)，才能根治員工安全意識(shí)薄弱的問題；提升度最高的規(guī)則為：“監(jiān)督檢查不到位、安全管理制度不落實(shí)→操作失誤”，其提升度高達(dá)6.100，表明前兩項(xiàng)風(fēng)險(xiǎn)存在時(shí)，出現(xiàn)操作失誤的可能性大幅增加，前兩者對(duì)操作失誤的產(chǎn)生有著較高影響[18]。

綜上所述，石油事故的發(fā)生與人的因素中安全意識(shí)薄弱、違反操作規(guī)程，以及管理因素中安全管理制度不落實(shí)密切相關(guān)，均屬于薄弱環(huán)節(jié)。因此，通過加強(qiáng)相關(guān)教育培訓(xùn)和完善管理制度，以減少事故發(fā)生。

2.3事故風(fēng)險(xiǎn)因素關(guān)聯(lián)網(wǎng)絡(luò)分析

在完成關(guān)聯(lián)規(guī)則的挖掘與分析后，雖然靠規(guī)則能夠揭示部分風(fēng)險(xiǎn)因素的關(guān)聯(lián)性，但更具復(fù)雜性、系統(tǒng)性的風(fēng)險(xiǎn)傳播機(jī)制卻難以通過單條規(guī)則呈現(xiàn)。為進(jìn)一步探查風(fēng)險(xiǎn)因素系統(tǒng)間的相互作用，有必要進(jìn)行復(fù)雜網(wǎng)絡(luò)的構(gòu)建，其不僅可以將關(guān)聯(lián)規(guī)則轉(zhuǎn)化為更加直觀的網(wǎng)絡(luò)圖結(jié)構(gòu)，還能發(fā)現(xiàn)潛在的關(guān)鍵節(jié)點(diǎn)和影響路徑，從而為事故風(fēng)險(xiǎn)的預(yù)警與處置提供更具指導(dǎo)性的建議。

根據(jù)所得的55條關(guān)聯(lián)規(guī)則，將風(fēng)險(xiǎn)因素和風(fēng)險(xiǎn)組合作為節(jié)點(diǎn)，將風(fēng)險(xiǎn)間關(guān)聯(lián)關(guān)系作為節(jié)點(diǎn)間的邊，將規(guī)則提升度作為對(duì)應(yīng)邊的權(quán)重，構(gòu)建55×55的鄰接矩陣。其中，鄰接矩陣部分?jǐn)?shù)據(jù)見表3。

觀察矩陣數(shù)據(jù)發(fā)現(xiàn)存在全零行和全零列，即部分節(jié)點(diǎn)處于孤立狀態(tài)。此類節(jié)點(diǎn)不會(huì)與其他任何節(jié)點(diǎn)產(chǎn)生交互影響，對(duì)于分析沒有實(shí)際貢獻(xiàn)，且會(huì)造成不必要的計(jì)算負(fù)擔(dān)，因此將其去除。最終保留39個(gè)節(jié)點(diǎn)，構(gòu)建石油事故風(fēng)險(xiǎn)致因關(guān)聯(lián)網(wǎng)絡(luò)，如圖3所示。

該網(wǎng)絡(luò)圖共包含39個(gè)節(jié)點(diǎn)和52條邊，并通過節(jié)點(diǎn)大小和顏色、邊的長(zhǎng)度展示不同類型節(jié)點(diǎn)的相對(duì)重要性和它們之間的聯(lián)系。其中，節(jié)點(diǎn)分為三類，包含6個(gè)人的因素節(jié)點(diǎn)、7個(gè)管理因素節(jié)點(diǎn)、26個(gè)組合因素節(jié)點(diǎn)。在網(wǎng)絡(luò)中人的因素節(jié)點(diǎn)與多個(gè)管理因素和組合因素緊密相連，管理因素節(jié)點(diǎn)在網(wǎng)絡(luò)中處于中心位置，組合因素節(jié)點(diǎn)所占比例最高，連接了人的因素和管理因素，形成了復(fù)雜的相互作用關(guān)系。

通過對(duì)三種節(jié)點(diǎn)的初步分析可知，管理因素是整個(gè)網(wǎng)絡(luò)的核心，起到了助推和連接的作用。而人的因素往往與管理缺位相結(jié)合，導(dǎo)致風(fēng)險(xiǎn)加劇，組合風(fēng)險(xiǎn)則是風(fēng)險(xiǎn)共同作用的結(jié)果。這表明石油事故致因的復(fù)雜性，為更加細(xì)致的描述每個(gè)風(fēng)險(xiǎn)因素的特性，采用復(fù)雜網(wǎng)絡(luò)中節(jié)點(diǎn)的度、網(wǎng)絡(luò)直徑、節(jié)點(diǎn)的平均路徑長(zhǎng)度、節(jié)點(diǎn)的聚類系數(shù)和節(jié)點(diǎn)的緊密度這5個(gè)指標(biāo)對(duì)風(fēng)險(xiǎn)節(jié)點(diǎn)進(jìn)行量化分析。

2.3.1節(jié)點(diǎn)的度

在石油事故致因動(dòng)態(tài)關(guān)聯(lián)網(wǎng)絡(luò)中，節(jié)點(diǎn)的平均度為2.667，64.1%的節(jié)點(diǎn)度值低于平均值，表明大多數(shù)節(jié)點(diǎn)關(guān)聯(lián)性較低，而少數(shù)節(jié)點(diǎn)在網(wǎng)絡(luò)中起關(guān)鍵作用。人的因素（如H1）和管理因素（如M4、M5、M3）節(jié)點(diǎn)度值較高，加強(qiáng)對(duì)這些關(guān)鍵因素的管控有助于阻礙風(fēng)險(xiǎn)擴(kuò)散，降低事故危害。這表明加強(qiáng)監(jiān)督檢查力度、落實(shí)安全管理制度、培訓(xùn)員工規(guī)范性操作等措施在預(yù)防事故發(fā)生中的重要性。網(wǎng)絡(luò)中節(jié)點(diǎn)的度值如圖4所示。

2.3.2網(wǎng)絡(luò)直徑與節(jié)點(diǎn)的平均路徑長(zhǎng)度

石油事故致因動(dòng)態(tài)關(guān)聯(lián)網(wǎng)絡(luò)中，網(wǎng)絡(luò)直徑為6。節(jié)點(diǎn)的平均路徑長(zhǎng)度為3.11，說明網(wǎng)絡(luò)中一個(gè)節(jié)點(diǎn)連接到另一個(gè)節(jié)點(diǎn)不需要超過４個(gè)節(jié)點(diǎn)，如兩類不安全行為的節(jié)點(diǎn)H1和節(jié)點(diǎn)H6可以穿過并連接節(jié)點(diǎn)M3、H5、M4形成風(fēng)險(xiǎn)鏈，反映出網(wǎng)絡(luò)緊密相連，風(fēng)險(xiǎn)因素高度相關(guān)，節(jié)點(diǎn)狀態(tài)的變化很容易觸發(fā)節(jié)點(diǎn)間的連鎖反應(yīng)。

2.3.3節(jié)點(diǎn)的聚類系數(shù)

關(guān)聯(lián)網(wǎng)絡(luò)中平均聚類系數(shù)為0.035。其中，節(jié)點(diǎn)H6、M3、H4的聚類系數(shù)較高，在關(guān)聯(lián)網(wǎng)絡(luò)中表現(xiàn)為此節(jié)點(diǎn)與相鄰節(jié)點(diǎn)之間的聯(lián)系更加密切，從而導(dǎo)致其聚類系數(shù)變大。當(dāng)這些節(jié)點(diǎn)的狀態(tài)發(fā)生變化時(shí)，極易引發(fā)相鄰節(jié)點(diǎn)之間的連鎖反應(yīng)，從而導(dǎo)致事故發(fā)生。

2.3.4節(jié)點(diǎn)的緊密度

關(guān)聯(lián)網(wǎng)絡(luò)中節(jié)點(diǎn)的緊密度為0.062，緊密度排名顯示，單因素節(jié)點(diǎn)M4、M3、H1、M5對(duì)關(guān)聯(lián)網(wǎng)絡(luò)中其他節(jié)點(diǎn)的影響較大，是造成石油事故發(fā)生的根本原因。

3結(jié)語(yǔ)

分析“一帶一路”石油項(xiàng)目的重要性和必要性，收集到215起石油項(xiàng)目事故報(bào)告，將相似風(fēng)險(xiǎn)因素進(jìn)行整合，按照出現(xiàn)頻次進(jìn)行篩選，歸類為4類31種風(fēng)險(xiǎn)因素并進(jìn)行標(biāo)簽化處理，系統(tǒng)全面地認(rèn)識(shí)石油事故中呈現(xiàn)的各類風(fēng)險(xiǎn)。

關(guān)聯(lián)規(guī)則分析結(jié)果顯示，造成石油項(xiàng)目事故頻發(fā)的風(fēng)險(xiǎn)因素為安全意識(shí)淡薄、違反操作規(guī)程、安全管理制度不落實(shí)、安全教育培訓(xùn)不到位、監(jiān)督檢查不到位，且其往往相伴發(fā)生，并極易引發(fā)其他風(fēng)險(xiǎn)，在生產(chǎn)作業(yè)中必須對(duì)其嚴(yán)加把控。

以關(guān)聯(lián)規(guī)則的前后項(xiàng)為節(jié)點(diǎn)構(gòu)建復(fù)雜網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)的指標(biāo)進(jìn)行定量分析。提出加強(qiáng)監(jiān)督檢查力度、落實(shí)安全管理制度、培訓(xùn)員工操作規(guī)范性等應(yīng)對(duì)措施，提供一定的決策支持和建議。然而，本文僅收集產(chǎn)生風(fēng)險(xiǎn)因素和發(fā)生事故的數(shù)據(jù)案例，未來研究中可收集風(fēng)險(xiǎn)因素產(chǎn)生后，對(duì)其有效應(yīng)對(duì)并妥善化解的案例，分析其應(yīng)對(duì)方案的有效原因，為我國(guó)“一帶一路”重大石油項(xiàng)目風(fēng)險(xiǎn)的預(yù)防提供理論支持。

參考文獻(xiàn)

[1]國(guó)家統(tǒng)計(jì)局能源統(tǒng)計(jì)司.中國(guó)能源統(tǒng)計(jì)年鑒：2023[M].北京：中國(guó)統(tǒng)計(jì)出版社，2023.

[2]苑基榮.中石油經(jīng)研院發(fā)布《2023年油氣行業(yè)發(fā)展報(bào)告》[J].企業(yè)觀察家，2024（2）：42-43.

[3]尹佳音.新冠疫情背景下中國(guó)石油進(jìn)口安全問題研究[J].中國(guó)能源，2021，43（1）：64-67.

[4]WU Y N， WANG J，JI S Y，et al.Renewable energy investment risk assessment for nations along Chinas belt amp; road initiative： an ANP-cloud model method[J].Energy， 2020（190）：116381.

[5]OSADCHIY T， POLIAKOV I，OLIVIER P，et al."Recommender system based on pairwise association rules[J].Expert Systems with Application， 2019， 115（1）：535-542.

[6]紀(jì)文璐，王海龍，蘇貴斌，等.基于關(guān)聯(lián)規(guī)則算法的推薦方法研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（22）：33-41.

[7]李英，湯庸.基于關(guān)聯(lián)規(guī)則與相似度的數(shù)據(jù)挖掘算法研究[J].華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，53（5）：121-127.

[8]牛毅，李振明，樊運(yùn)曉.基于數(shù)據(jù)挖掘的高速公路貨車交通事故影響因素關(guān)聯(lián)分析研究[J].安全與環(huán)境工程，2020，27（4）：180-188.

[9]王萬良，張兆娟，高楠，等.基于人工智能技術(shù)的大數(shù)據(jù)分析方法研究進(jìn)展[J].計(jì)算機(jī)集成制造系統(tǒng)，2019，25（3）：529-547.

[10]岳希堅(jiān)，袁永博，張明媛，等.基于復(fù)雜網(wǎng)絡(luò)理論識(shí)別油庫(kù)關(guān)鍵安全風(fēng)險(xiǎn)因素[J].中國(guó)安全科學(xué)學(xué)報(bào)，2017，27（5）：146-151.

[11]ZHOU Z P， IRIZARRY J， LI Q M.Using network theory to explore the complexity of subway construction accident network （scan） for promoting safety management[J].Safety Science， 2014， 64：127-136.

[12]張勇，張琪，劉少乾，等.基于復(fù)雜網(wǎng)絡(luò)和灰色關(guān)聯(lián)分析的引水隧洞坍塌事故致因分析[J].項(xiàng)目管理技術(shù)，2024，22（10）：27-34.

[13]朱錦春，孟慶峰.基于復(fù)雜網(wǎng)絡(luò)的建筑工人不安全行為強(qiáng)關(guān)聯(lián)機(jī)理研究[J].項(xiàng)目管理技術(shù)，2024，22（6）：58-66.

[14]羅茜茜.基于文本數(shù)據(jù)的安全生產(chǎn)事故自分類模型與風(fēng)險(xiǎn)預(yù)控研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2023.

[15]李奕君.金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)程度及傳染效應(yīng)的差異性研究——基于SRISK模型和復(fù)雜網(wǎng)絡(luò)分析法的實(shí)證分析[J]. 金融經(jīng)濟(jì)，2022（9）：19-28.

[16]范如國(guó).復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)范型下的社會(huì)治理協(xié)同創(chuàng)新[J].中國(guó)社會(huì)科學(xué)，2014，（4）：98-120，206.

[17]馮胤偉，劉正江，蔣子怡，等.基于關(guān)聯(lián)規(guī)則挖掘和復(fù)雜網(wǎng)絡(luò)理論的船舶碰撞事故影響因素分析[J].大連海事大學(xué)學(xué)報(bào)，2023，49（3）：31-44.

[18]吳莞姝，薛影，趙凱，等.基于復(fù)雜網(wǎng)絡(luò)的鼓浪嶼旅游街區(qū)關(guān)聯(lián)規(guī)則識(shí)別與特征分析[J].地球信息科學(xué)學(xué)報(bào)，2024，26（2）：440-459.

收稿日期：2024-12-23

作者簡(jiǎn)介：

王雨欣（2000—），女，研究方向：風(fēng)險(xiǎn)管理與智慧應(yīng)急。

王長(zhǎng)峰（通信作者）（1965—），男，教授，博士研究生導(dǎo)師，研究方向：智慧應(yīng)急管理、智慧工程管理。

*基金項(xiàng)目：“一帶一路”重大項(xiàng)目風(fēng)險(xiǎn)動(dòng)態(tài)監(jiān)測(cè)與預(yù)警研究（22amp;ZD135）。