铁路机务系统事故人因分析方法研究

Human Factor Analysis Methods for Accidents in Railway Locomotive System

摘要

研究创建了基于人因安全的铁路机务事故综合分析流程，可用于识别事故关键致因因素，预防铁路机务事故，提升我国铁路运营安全水平。调研搜集并提取了铁路典型机务事故信息，充分研究借鉴中外铁路行业安全人因工程分析方法，结合我国铁路机务工作特点和典型机务事故信息构建了适用于铁路机务专业的人因分析与分类系统(HFACS-RAs)，确定了5个层级共22类致因因素；应用Apriori关联规则算法挖掘出致因因素的149条关联关系，并依托强关联关系构建复杂网络分析各致因因素之间的关联性和重要性。结果表明：机务安全事故各人为因素高度复杂耦合交互并导致事故发生。应用机务事故综合分析流程，开展人因研究，可为铁路机务系统有针对性地采取防范措施提供经验借鉴。

Abstract

A comprehensive analysis process of railway locomotive accidents based on human factor safety was established, which could be used to identify the key causes of accidents, prevent railway locomotive accidents, and improve the safety level of railway operations in China. The typical railway locomotive accident information was collected and extracted, and the human factor analysis and classification system suitable for railway locomotive system (HFACS-RAs) was established based on Chinese and foreign safety human factor engineering analysis methods in the railway sector, combined with the characteristics of railway locomotive work and typical locomotive accident information. A total of 22 causative factors were identified across five levels. The Apriori association rule algorithm was applied to mine 149 association relationships of causative factors, and based on strong association relationships, a complex network was constructed to analyze the relevance and importance of each causative factor. The results show that the human factors of locomotive safety accidents are highly complex and lead to accidents. Applying the comprehensive analysis process of locomotive accidents to carry out human factor research can provide experience for railway locomotive systems to take targeted preventive measures.

Graphical abstract

关键词

铁路机务安全 / 人为因素 / HFACS / 关联规则 / 复杂网络

Key words

Railway Locomotive Safety / Human Factor / HFACS / Association Rule / Complex Network

0　引言

铁路机务专业是铁路运输生产的重要行车专业，主要负责铁路各型机车的运用组织、整备保养和综合检修，为客货、行包及专运列车等提供动力牵引，并担当机车乘务员和动车组司机的培养及管理任务^[1]。近年来，随着我国铁路路网规模迅速扩大，智能化技术手段不断更新，新线路、新设备、新车型和新理念也对机务人员提出了更高的工作要求。铁路运输系统是一个由人、设备、环境、管理等多因素互相耦合作用影响的复杂系统^[2]，其中人为因素已被普遍认同是影响铁路行车安全运行的重要风险因素之一^[3]，美国著名安全工程师海因里希指出，理论上80%事故是人为因素造成的。因此，提升铁路机务安全风险管理水平首先需要重视人为因素，挖掘并研究人为因素内部各种致因因素的相互作用关系，这对于提升铁路运营安全，减少事故具有重要意义。

为了探析事故发生的底层原因与相互作用，各领域的众多学者对致因因素理论模型的优化改进展开研究，其中，将理论模型与数据处理方法集成应用于致因因素的挖掘分析，是目前热点研究方向之一。王洪德等^[4]运用改进的模糊解释结构模型绘制了演化过程，剖析得到风险因素间的关联关系；单龙等^[5]通过模糊综合评价法对某机务段风险因素进行分析，确定风险控制的优先顺序；刘洋^[6]构建铁路机务人为失误模型，运用认知可靠性和差错分析法追溯分析人为失误。但目前针对铁路机务事故的风险因素研究还处于初期探索阶段，存在一定的局限性。关联规则挖掘通过提取频繁项集发现数据中潜在的关系^[7]，其在交通领域安全风险研究得到广泛的应用。杨剑红^[8]根据道路交通事故多属性多维度改进优化Apriori算法，分析事故各个因素的之间的关系；王红等^[9]基于FP-Growth算法，引入跨层次频繁项和修补项改进算法对航空安全事件实现多层关联规则挖掘；刘朝辉等^[10]使用基于压缩和哈希表技术改进的Apriori算法研究铁路事故致因因素间的关联特性。复杂网络与关联分析挖掘相比可以验证风险因素之间潜在的耦合关系，识别出各致因因素的重要性。秦华礼等^[11]、刘建舟^[12]分别运用复杂网络理论对化工企业火灾爆炸事故、船舶碰撞事故进行致因研究，建立事故致因网络模型，分析事故重点致因因素；杨柳^[13]应用基于复杂网络的文本关键词提取办法识别轨道交通事故致因文本；Yue等^[14]运用扎根理论和2-4模型并结合复杂网络的分析方法，识别航空事故的关键致因因素。

综上，现有研究在铁路机务安全管理、人因分析、关联规则挖掘及复杂网络分析方面取得了一定进展，但依然存在模型适用性不足、风险因素关联性不明确等问题。对此，研究提出一种针对铁路机务系统的安全人为致因因素分析流程，对人因分析与分类系统(Human Factors Analysis and Classification System，HFACS)进行改进，通过关联分析和复杂网络探究频繁项集中各致因因素的潜在风险关系，构建复杂网络呈现特定的拓扑特征，表征其连通性、相互作用和动态过程^[15]，科学系统地分析铁路机务安全人为因素，丰富铁路机务安全管理理论体系，为实际安全管理工作提供科学依据。

1　人因分析框架模型构建

1.1　铁路机务安全人为致因因素分析流程

人因分析框架模型是铁路机务安全人为致因因素分析的基础，研究基于Shappell和Wiegmann在2000年提出的HFACS模型，结合关联规则挖掘与复杂网络理论，构建了铁路机务安全人为致因因素分析流程如图1所示。

流程中首先通过构建人因分析框架模型(Human Factors Analysis and Classification System-Railway Accidents，HFACS-RAs)得到致因分析数据集，应用Apriori算法对数据集进行关联规则挖掘，得到置信度、支持度和提升度。其次，应用关联规则挖掘结果构建有向加权复杂网络，量化节点度、介数中心性、平均集聚系数等指标并进行网络可视化。最后，基于关联分析挖掘和复杂网络分析的结果判断铁路机务事故各人为致因因素之间的关联性和重要性，提出安全建议及控制措施。

HFACS模型最初是针对美国航空安全事故人为因素构建的，其未考虑到铁路职工人因失误的特点^[16]，无法直接将模型框架应用于我国铁路机务事故人因分析。在中外铁路行业安全人因工程分析方法的研究中，英国铁路安全与标准委员会形成了《铁路行业人因工程指南》，为铁路行业的人因工程研究提供了一个全面的框架和工具，具有借鉴意义。因此，基于我国铁路典型机务事故信息，借鉴RSSB人因工程指南并结合机务实际工作特点，改进HFACS，建立了适用于我国铁路机务的HFACS-RAs模型如表1所示。

1.2　HFACS-RAs模型

在构建的HFACS-RAs模型中，将原框架改进为不安全行为、安全管理不到位等层级结构，并对每个层级的具体类别进行了改进调整。

1.2.1　不安全行为

机务职工的“不安全行为”是导致机务事故发生的直接原因，将该层级细分为以下3类。

（1）疏忽性违章作业。由于职工疏忽或忘记而导致产生不安全行为。

（2）习惯性违章作业。由于职工长期养成的习惯而导致的不安全行为。

（3）选择性忽视违章作业。职工意识到其行为可能违反规章制度，但为了操作更便捷等原因仍做出不安全行为。

1.2.2　安全管理不到位

“安全管理不到位”通常不会直接导致事故发生，但会间接影响职工产生不安全行为。将该层级细分为以下7类。

（1）人员技能培训不到位。对机务职工的专业技能培训质量不高、培训后未进行考核评估职工能力等。

（2）设备管理不到位。机务工作过程中使用的设备分配不合理、设备存在故障等。

（3）人员绩效考核不合理。安全绩效考核指标权重、指标项点等需优化。

（4）安全文化缺失。组织内未形成安全生产的整体文化和环境、职工缺乏安全意识、对安全重视程度不足等。

（5）规章标准不合理。机务部门针对特定情况制定的规章制度标准未随着新技术、新设备的应用及时更新等原因，导致存在缺陷。

（6）安全作业未落实。对机务职工日常安全作业的作业程序、操作流程管理落实情况不到位。

（7）应急演练不到位。应急处理预案不完善，未重视机务职工应急处置能力的培养及锻炼，缺乏对职工应急处置能力的考核等。

1.2.3　安全监管不到位

“安全监管”对预防和减少事故发生，提升整体安全水平具有重要影响。将该层级改进分为以下5类。

（1）安全监管制度不完善。安全监管的制度存在不足、安全监管制度缺失等。

（2）未及时发现问题。安全监管没有发现安全隐患、未及时发现安全隐患等。

（3）未及时纠错。安全监管发现安全问题后，没有及时纠正、未追踪安全监管发现隐患的纠正情况等。

（4）未完全履行安全监管规定。安全监管未按照标准规定执行等。

（5）安全监管计划不合理。安全监管工作计划安排的时间、频率和内容等不合理。

1.2.4　安全素质欠佳

职工的“安全素质”是决定安全的根本因素，将该层级细分为4类。

（1）生理状态不佳。机务职工的身体健康情况、耐力等状态不佳。

（2）心理状态不佳。机务职工的个人情绪不够稳定、心理承受能力不足、紧急情况下反应能力不佳等。

（3）业务知识未掌握。机务职工没有完全掌握自身工作内容的专业知识。

（4）业务技能不熟练。机务职工不能熟练运用工作技能。

1.2.5　工作环境不良

职工的“工作环境”会影响职工的工作效率、身心健康与安全等方面，不良的工作环境可能会导致严重的后果。将该层级细分为3类。

（1）工作周期不合理。机务职工的工作班次不合理，单次工作的时长超出人体疲劳周期等。

（2）工作作业环境欠佳。铁路机务工作作业环境应考虑诸多因素，包括职工操作空间、空间环境、照明和噪声等影响因素，未科学地考虑这些因素致使作业环境欠佳。

（3）人机接口设计存在不足。机务设备人机操作界面复杂等设计需要优化。

2　关联规则挖掘分析

2.1　结构化数据集的构建

基于HFACS-RAs模型，结合典型铁路机务事故信息构建机务事故致因分析数据集，具体构建过程方法如下。

（1）信息提取：应用文本分析方法，从典型机务事故信息的事故经过、事故原因、事故定责等部分内容中识别提取出事故发生的关键信息。

（2）信息处理：基于HFACS-RAs模型框架中各层级致因因素，将提取的信息进行规范化处理。

（3）结构化数据集构建及信息编码：采用T/F统计编码，即若事故信息中出现与框架相对应的因素，则标记为T，否则为F，构建结构化的机务事故致因分析数据集。

2.2　基于Apriori算法的机务事故致因因素关联分析

应用Apriori算法分析构建的结构化数据集，挖掘出机务事故致因因素之间的关联关系。关联规则M ⇒ N通过支持度、置信度和提升度评价关联关系，得到强关联规则结果，其中M是前提条件，N是结果条件。

（1）支持度(Support)。支持度是指在所有事故中同时包含项集M和项集N的事故所占比例，即项集M ∪ N在所有事故中发生的概率，用以表示关联规则M ⇒ N出现的频率，支持度的度量可以体现关联规则是否具有普遍性。

A{P}_{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}}(M\Rightarrow N)=\frac{|\{T：M\bigcup N\subseteq T，T\subseteq D\}|}{|D|}⑴

式中：∣D∣表示数据集D中所有事故的总数；|\left\{T：M\bigcup N\subseteq T，T\subseteq D\right\}|表示数据集D中同时包含项集M和N的所有事故的数量。

（2）置信度(Confidence)。置信度是指在所有包含项集M的事故中，同时包含项集M和项集N的事故所占的比例，即为条件概率P(N|M)，置信度的度量可以体现关联规则是否具有可靠性。

A{P}_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{f}\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{n}\mathrm{c}\mathrm{e}}(M\Rightarrow N)==\frac{|\{T：M\bigcup N\subseteq T，T\subseteq D\}|}{|\{T：M\subseteq T，T\subseteq D\}|}\frac{A{P}_{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}}(M\Rightarrow N)}{A{P}_{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}}(M)}⑵

式中：|\{T：M\subseteq T，T\subseteq D\}|∣表示数据集D中包含项集M的所有事故的数量；A{P}_{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}}(M\Rightarrow N)为规则M ⇒ N的支持度；A{P}_{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}}(M)为前提条件M的支持度。

（3）提升度(Lift)。提升度是指包含项集M和项集N的事故在所有包含项集M的事故中所占的比例与所有包含项集N的事故的比值。提升度衡量的是M和N的相关性，当Lift>1时，M和N呈正相关；当Lift<1时，M和N呈负相关；当Lift=1时，M和N相互独立。

A{P}_{\mathrm{l}\mathrm{i}\mathrm{f}\mathrm{t}}(M\Rightarrow N)=\frac{A{P}_{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}}(M\Rightarrow N)}{A{P}_{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}}(M)\times A{P}_{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}}(N)}⑶

式中：A{P}_{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}}(N)为结果条件N的支持度。

为探究铁路机务事故中多项人为因素之间的潜在关系，借助分析工具使用Apriori算法对数据集进行关联规则挖掘分析。Apriori算法是使用布尔规则挖掘频繁项集最有影响力的算法之一^[17]。该算法特别适用于样本规模较小的数据集，我国铁路安全性较高、事故频率较低，Apriori算法在分析我国铁路事故数据时，可以有效避免算法计算时间较长的问题。

关联规则挖掘结果中满足最小支持度和最小置信度的规则被称为强关联规则，所以支持度和置信度阈值的选择十分重要，通过试错法多次实验，最终确定最小支持度为15%，最小置信度为15%，为利于构建复杂网络，固定前项和后项数目为1，再筛选出提升度大于1的关联规则，最终得到关联规则共计149条。按照置信度从大到小的方式排序，关联规则挖掘结果置信度排序前10的关联规则如表2所示。

由表2可知，置信度最高的是应急演练不到位(O₇)导致习惯性违章作业(B₂)，说明如果机务系统未重视机务职工应急处置能力的培养及锻炼，缺乏对职工应急处置能力的考核，在遇到突发情况时职工出现习惯性错误操作的概率高达80.769%；其次，置信度较高的是业务技能不熟练(P₄)导致习惯性违章作业(B₂)，说明如果职工不能熟练运用工作技能，产生习惯性违章操作的概率达79.279%；未完全履行安全监管规定(S₄)导致选择性忽视违章作业(B₃)，说明如果安全监管部门未按照标准规定监督机务职工，其出现选择性忽视违章作业的概率达77.419%。值得注意的是，置信度排序前10的关联规则前项中6项都与安全管理不到位层级有关，置信度排序前10的关联规则后项中8项都与不安全行为层级有关。

3　基于复杂网络分析铁路机务人因致因因素

3.1　铁路机务行车事故人因网络的构建

基于Apriori算法挖掘关联规则，得到强关联规则映射，结合实际情况剪枝调整，建立有向加权复杂网络。强关联规则致因因素总数为网络中的节点数，如果2个节点之间存在关联，则两点间存在连边；若无关联则不存在连边，有向边的方向为前项指向后项。

复杂网络用置信度确定两节点连边权重，反映关联性强弱的同时，体现影响因素之间的交互作用，构建铁路机务安全人为因素的复杂网络如图2所示，网络由17个节点、92条有向边组成。其中，边权重越大则边越粗，颜色越深。借助复杂网络中节点特征参数与结构特征参数2种统计特征参数，可以反映节点在网络中所处的地位与特点变化以及揭示网络整体的结构特征^[18]。

3.2　节点度和节点加权度

（1）节点度。度是节点的一个关键属性，表示该节点和其他节点之间的链接个数，反映了节点的重要性和中心性。有向网络的度分为节点总度、节点入度及节点出度，依据有向网络边方向确定入度和出度，入度为其他节点指向该节点，出度为该节点指向其他节点。入度说明该节点接收其他节点致因因素传递交互信息的能力，出度说明该节点向其他节点致因因素传递交互信息的能力。

\left\{\begin{array}{c}{v}_i^{\mathrm{i}\mathrm{n}}={\sum }_{j,j\ne i} a_{ji}\\ v_i^{\mathrm{o}\mathrm{u}\mathrm{t}}={\sum }_{j,j\ne i} a_{ij}\\ v_i=v_i^{\mathrm{i}\mathrm{n}}+v_i^{\mathrm{o}\mathrm{u}\mathrm{t}}\end{array}\right.⑷

式中：v_i^{\mathrm{i}\mathrm{n}}为节点i的入度；a_ji 为矩阵元素，对于有向网络，a_ji =1表示从节点j到节点i有一条有向边，a_ji =0表示没有边从节点j指向节点i；a_ij 为矩阵元素，对于有向网络，a_ij =1表示从节点i到节点j有一条有向边，a_ij =0表示没有边从节点i指向节点j；v_i^{\mathrm{o}\mathrm{u}\mathrm{t}}为节点i的出度；v_i 为节点i的总度。

（2）节点加权度。节点加权度在节点度的基础上考虑了节点的边的权重，节点度即节点加权度每条边权重为1的特例。有向网络的加权度分为节点加权总度、节点加权入度及节点加权出度，依据有向网络边方向确定入度和出度，入度为其他节点指向该节点，出度为该节点指向其他节点。加权入度说明该节点接收其他节点影响的概率，加权出度说明该节点影响其他节点的概率。

\left\{\begin{array}{c}{w}_i^{\mathrm{i}\mathrm{n}}={\sum }_{j,j\ne i} l_{ji}{a}_{ji}\\ w_i^{\mathrm{o}\mathrm{u}\mathrm{t}}={\sum }_{j,j\ne i} l_{ij}{a}_{ij}\\ w_i=w_i^{\mathrm{i}\mathrm{n}}+w_i^{\mathrm{o}\mathrm{u}\mathrm{t}}\end{array}\right.⑸

式中：w_i^{\mathrm{i}\mathrm{n}}为节点i的加权入度；l_ij 为节点i到节点j边的权重；w_i^{\mathrm{o}\mathrm{u}\mathrm{t}}为节点i的加权出度；w_i 为节点i的加权总度。

构建铁路机务安全人为因素的复杂网络(以节点总度排序)如图3所示，度值越大则节点颜色越深，形状越大，在网络中地位越重要。

复杂网络节点度、入度、出度如图4所示，可知总度值最大的致因因素为安全文化缺失(O₄)，其次是未及时纠错(S₃)与工作周期不合理(E₁)，说明此3项因素对铁路机务事故发生的影响程度较大；总度值最小的因素为设备管理不到位(O₂)，其值为1，说明此因素在网络中只有一个邻接点。

入度值排序靠前3位的致因因素依次为应急演练不到位(O₇)、安全文化缺失(O₄)和工作周期不合理(E₁)，说明此3项因素可接收网络中大部分致因因素传递的交互信息。出度值排序前3位的致因因素依次为安全文化缺失(O₄)、安全监管计划不合理(S₅)和未及时纠错(S₃)，说明此3项因素可向网络输出大部分致因因素传递交互信息。

复杂网络节点加权度、加权入度、加权出度如图5所示，节点加权总度值最大的为安全文化缺失(O₄)，其次是未及时纠错(S₃)、安全作业未落实(O₆)，与节点度相比，排序前3的致因因素发生了变化，工作周期不合理(E₁)变为了安全作业未落实(O₆)，说明安全作业未落实(O₆)在网络中对事故发生影响概率较大。

加权入度排序前3的致因因素依次为安全作业未落实(O₆)、习惯性违章作业(B₂)和业务技能不熟练(P₄)，与入度值排序前3位不同，说明这3个网络加权入度大的致因因素虽然接收网络中传递的交互信息不是最多，但其受到其他节点影响概率较大。加权出度排序前3的致因因素与出度排序前3的致因因素一致，说明这3个致因因素在网络中输出大部分交互信息的同时，对其他节点造成影响的概率也较高。

在17个致因因素中，安全文化缺失(O₄)与未及时纠错(S₃)2个因素的值在节点度与节点加权度中排序均位列前3，表明这2类致因因素在网络中不仅与其他因素的联系紧密，其影响强度也较大。

3.3　节点介数中心性

（1）节点介数中心性。介数中心性是以经过某个节点的最短路径的数目来判别节点重要性的指标，反映了节点的枢纽性和传递性。

\left\{\begin{array}{c}{B}_g={\sum }_{\underset{i\ne g\ne j}{\forall i,j\in N}} \left(\frac{n_{ij}^g}{n_{ij}}\right)\\ B{C}_g=\frac{\mathrm{2}{B}_g}{\left(N-\mathrm{1}\right)\left(N-\mathrm{2}\right)}\end{array}\right.⑹

式中：B_g为节点g的介数中心性；n_{ij}^g为节点i到节点j的最短路径中经过节点g的路径数量；n_{ij}为节点i到节点j的最短路径的数量；B{C}_g为节点g的标准化介数中心性；N为网络中的节点数目。

构建铁路机务安全人为因素的复杂网络(以介数中心性系数排序)如图6所示，介数中心性系数值越大，节点颜色越深，节点越大，表明该节点在网络中为越重要的枢纽。介数中心性系数值最大的致因因素为安全文化缺失(O₄)，证明其在整个网络中是最重要的枢纽，其变化能够较大影响各个致因因素与网络的稳定性。

3.4　网络平均集聚系数和平均路径长度

（1）网络平均集聚系数。集聚系数刻画了一个节点的邻居节点之间彼此连接的稠密程度，即网络节点的聚合程度。

\left\{\begin{array}{c}{C}_i=\frac{\mathrm{2}{E}_i}{v_i\left(v_i-\mathrm{1}\right)}\\ AC=\frac{{\displaystyle \sum _i^N}{C}_i}{N}\end{array}\right.⑺

式中：C_i 为节点i的集聚系数；E_i 为节点i邻居节点的边数；AC为网络平均集聚系数。

（2）网络平均路径长度。平均路径长度是2个节点之间距离的平均值，能够衡量网络的传输性能与效率。

AP=\frac{{\displaystyle \sum _{i=\mathrm{1}}^N}{\displaystyle \sum _{j=\mathrm{1}}^N}{k}_{ij}}{N\left(N-\mathrm{1}\right)}⑻

式中：AP为网络平均路径长度；k_ij 为节点i到节点j的最短路径长度。

复杂网络节点集聚系数如图7所示，构建网络的平均集聚系数为0.394。由图7可知，致因因素设备管理不到位(O₂)集聚系数值为0，表明该节点的度为1，只与一个节点相连。选择性忽视违章作业(B₃)的聚类系数最大，表明该节点与周围节点联系比较紧密。

网络平均路径长度为2.263，意味着网络内平均3个致因因素连接就会导致事故发生，说明构建网络内人为致因因素联系紧密，容易导致事故发生，结果验证了研究的意义。

4　结论

基于人因研究和数据处理方法构建了铁路机务安全人为致因因素分析流程。流程中应用人因框架模型分析机务典型事故信息的致因因素，构建结构化数据库；采用关联规则挖掘算法，探索人为因素间的交互关系；结合复杂网络的拓扑特征判断影响铁路机务安全的关键致因因素。主要结论如下。

（1）改进构建了适用于铁路机务的人因分析框架模型。依据我国铁路典型事故信息，基于HFACS模型并借鉴了英国铁路RSSB人因工程指南和我国铁路机务工作特点，通过我国铁路机务实际数据验证得出，模型符合机务现场运用的实际情况。

（2）运用关联规则Apriori算法挖掘了22个铁路机务事故人为致因因素间潜在关联关系，计算得出了149条关联规则。通过计算置信度、支持度和提升度，综合对比判断出“业务技能不熟练”和“习惯性违章作业”是其中关联性最大的因素组，二者是导致铁路机务事故发生的重要致因因素，应加强职工的技能培训，尤其是针对高风险作业环节进行专项训练，并通过数据驱动的评估系统定期监控职工业务能力，并结合考核系统，生成个性化培训方案，确保培训效果和作业规范性。

（3）运用复杂网络理论构建了由17个节点、92条有向边组成的铁路机务安全人为致因因素复杂网络。计算网络中节点度、节点加权度和节点介数中心性系数等参数，得到“安全文化缺失”和“未及时纠错”是机务安全人因网络的脆弱点，更是安全的薄弱环节，需定期开展安全教育，提升职工安全意识，并完善健全双重预防机制。通过构建操作行为实时监控系统，对职工工作安全规范执行情况进行动态监测，及时反馈操作错误，从而提高纠正及时性，降低事故发生可能性。

参考文献

[1] 李　鑫，史天运，马小宁，等. 铁路机务大数据应用系统设计研究[J]. 铁道运输与经济，2021，43(2)：88-95.

[2] LI Xin， SHI Tianyun， MA Xiaoning，et al. Design of the Big Data Application System for the Railway Locomotive System[J]. Railway Transport and Economy，2021，43(2)：88-95.

[3] 花玲玲.基于长短期记忆网络和复杂网络的铁路事故致因分析方法研究[D].北京：北京交通大学，2020.

[4] LI C L， TANG T， CHATZIMICHAILIDOU M M，et al. A Hybrid Human and Organisational Analysis Method for Railway Accidents Based on STAMP-HFACS and Human Information Processing[J]. Applied Ergonomics，2019，79：122-142.

[5] 王洪德，于萌慧.基于模糊ISM的铁路机务行车安全风险关联性分析[J].大连交通大学学报，2023，44(6)：19-24.

[6] WANG Hongde， YU Menghui.Traffic Safety Risk Correlation Analysis of Railway Locomotive System Based on Fuzzy ISM Model[J].Journal of Dalian Jiaotong University，2023，44(6)：19-24.

[7] 单 龙，于景飞.基于模糊综合评价法的铁路机务行车安全风险因素评价[J].科技创新与应用，2023，13(26)：106-110，115.

[8] 刘 洋.铁路机务系统行车事故中机车乘务员的人因研究[D].北京：中国铁道科学研究院，2017.

[9] 廖诗管，翁金贤.基于贝叶斯时空Log-logistic模型的船舶碰撞频率[J].中国航海，2023，46(1)：24-29，38.

[10] LIAO Shiguan， WENG Jinxian.Ship Collision Frequency Prediction with Bayesian Spatiotemporal Log-Logistic Model[J].Navigation of China，2023，46(1)：24-29，38.

[11] 杨剑红.数据挖掘的关联分析及在道路交通事故上的应用[D]，广州：广州大学，2018.

[12] 王 红，郭 静，王 阳.航空安全事件关联分析方法研究[J].安全与环境学报，2020，20(2)：602-609.

[13] WANG Hong， GUO Jing， WANG Yang.On the Correlation Analysis Method of the Aviation Safety Incidents[J].Journal of Safety and Environment，2020，20(2)：602-609.

[14] 刘朝辉，何世伟.基于改进Apriori算法的铁路交通作业事故致因关联规则研究[J].铁道运输与经济，2023，45(4)：120-126，140.

[15] LIU Chaohui， HE Shiwei.Association Rule Mining for Causes of Railway Traffic Accidents Based on Improved Apriori Algorithm[J].Railway Transport and Economy，2023，45(04)：120-126，140.

[16] 秦华礼，王馨琪.化工火灾爆炸事故复杂致因网络分析[J].化工管理，2023，30：113-118.

[17] QIN Huali， WANG Xinqi.Network Analysis of Key Causes of Fire and Explosion Accidents in Chemical Enterprises[J].Chemical Engineering Management，2023，30：113-118.

[18] 刘建舟.基于复杂网络的船舶碰撞事故致因研究[D].厦门：集美大学，2023.

[19] 杨 柳.基于文本数据的轨道交通事故致因分析及风险研究[D]，北京：北京交通大学，2021.

[20] YUE R T， LI J W， HAN M. Aviation Accident Causation Analysis Based on Complex Network Theory[J]. Transactions of Nanjing University of Aeronautics and Astronautics，2021，38(4)：646-655.

[21] LIAO H， MARIANI M S， MEDO M，et al. Ranking in Evolving Complex Networks[J]. Physics Reports，2017，689：1-54.

[22] KYRIAKIDIS M， MAJUMDAR A， OCHIENG W Y. Data Based Framework to Identify the Most Significant Performance Shaping Factors in Railway Operations[J]. Safety Science，2015，78：60-76.

[23] SOWAN B， DAHAL K， HOSSAIN M A，et al. Fuzzy Association Rule Mining Approaches for Enhancing Prediction Performance[J]. Expert Systems with Applications，2013，40(17)：6928-6937.

[24] 向鹏成，游昀艳. 基于复杂网络的成渝地区双城经济圈区域铁路网络时空演化研究[J]. 铁道运输与经济，2024，46(6)：135-142，197.

[25] XIANG Pengcheng， YOU Yunyan. Spatial and Temporal Evolution of Regional Railway Network in Chengdu-Chongqing Economic Circle Based on Complex Network[J]. Railway Transport and Economy，2024，46(6)：135-142，197.

基金资助

中国国家铁路集团有限公司科技研究开发计划课题(P2023T002)