基于算法融合的地铁运营致灾源传导网络构建与应用

Construction and Application of Hazard Source Propagation Network for Metro Operation Based on Algorithm Fusion

摘要

为探讨地铁运营事故风险链式传导机理，精准化断链防控，建立算法融合的地铁运营致灾源传导网络模型。首先，通过TF-IDF算法进行文本挖掘，结合累积分布曲线拐点法标定判断阈值，确定运营致灾源；其次，通过R语言可视化确定Apriori算法的最优阈值，挖掘致灾源间强关联规则，进而构建以致灾源为节点、强关联规则为有向边的传导网络；再次，采用贝叶斯网络推估致灾源二元组间传导概率，从人员伤亡、列车延误和设施损坏维度量化致灾度，构建以致灾频率与灾害度二者函数表征为权重的有向赋权致灾源传导网络。最后，以调度日志数据实证分析表明：构建的网络模型综合评价指标F_i达90.1%，具有较高适用性，可准确挖掘致灾源间传导关系，揭示风险演化路径，关键节点断链防控，可降低5.52%系统灾害度，实现15.12万元年度风险效益。为地铁运营安全管理从被动响应向主动预防转型提供理论基础和技术支持。

Abstract

To investigate the chain transmission mechanism of metro operation accident risks and implement precise chain-breaking control, an algorithm fusion-based hazard source propagation network model for metro operation was established. First, text mining was performed using the TF-IDF algorithm, and the threshold value was calibrated through the cumulative distribution curve inflection point method to identify hazard sources of metro operation. Second, the optimal threshold for the Apriori algorithm was determined through R language visualization to mine strong association rules between hazard sources, thereby constructing a propagation network with hazard sources as nodes and strong association rules as directed edges. Third, a Bayesian network was employed to estimate the transmission probability between hazard source pairs, while the hazard severity was quantified from three dimensions: personnel casualties, train delays, and facility damage. A directed weighted hazard source propagation network was then constructed using the function representation of hazard occurrence frequency and hazard severity as weights. Finally, empirical analysis using dispatch log data shows that the established network model achieves a comprehensive evaluation index of 90.1%, demonstrating high applicability in accurately mining the transmission relationships between hazard sources and revealing risk evolution pathways. Strategic chain-breaking interventions at critical nodes can reduce the system hazard degree by 5.52% and achieve an annual risk benefit of 151 200 yuan. This study provides a theoretical foundation and technical support for transforming metro operation safety management from passive response to proactive prevention.

Graphical abstract

关键词

地铁运营安全 / 风险链 / 文本挖掘 / Apriori算法与贝叶斯网络融合 / 风险控制

Key words

Metro Operation Safety / Risk Chain / Text Mining / Fusion of Apriori Algorithm and Bayesian Network / Risk Control

0　引言

当前，我国地铁运营总里程跃居世界第一^[1-2]。随着地铁超级网络化发展，其外部运营环境与内在机制日益复杂化、高风险化。由于人员操作失误、设施设备故障、恶劣环境、运营组织不当及管理制度缺陷等因素，隐患激增，故障频发，极易引发蝴蝶效应。一旦运营过程中风险未能及时发现有效控制，轻则导致列车运行延误，重则造成重大财产损失和严重人身伤亡事故。

地铁运营事故链理论最早由Chapman等^[3]提出，开创了运营安全研究的新范式。Kangari^[4]从供应链角度深化了风险链研究，系统揭示了单一风险源通过连锁效应引发多重灾害的机理。随着风险链理论的深入发展，研究重点逐步转向风险传导机制。李浩然等^[5]基于典型案例分析，探明了设备故障-人员操作-系统响应等要素间的传递模式，证实了风险传导的非线性特征。季陈懿^[6]进一步引入网络模型理论，通过构建包含节点度、路径权重的传导网络，实现了对风险演化路径的传导分析。

为提升风险识别的准确性，近年来数据驱动方法得到广泛应用。韩天园等^[7]率先将文本挖掘技术引入运营事故分析，通过语义特征提取关键词，构建重特大事故成因网络，但对风险要素间的关联性缺乏深入探讨。Qiu等^[8]融合文本挖掘与卡方检验，实现了致灾源的精准识别，并基于Apriori算法挖掘其关联规则。丁小兵等^[9]在传统关联规则基础上引入事故后果约束，提出了面向危险度预测的改进算法，但对传导概率的量化仍显不足。雷斌等^[10]采用树增强型朴素(Tree Augmented Naive，TAN)贝叶斯网络直接将数据作为整体输入，进行模拟训练，实现了风险传导的概率量化推理。袁惠等^[11]将文本挖掘与复杂网络分析相结合，通过对文本数据关键信息提取，针对性构建WUI火灾事故风险传导网络，降低风险网络结构复杂度，但其模型评估还未能充分考虑致灾后果的多维特性。

综上所述，传统的事故影响预测方法在处理与地铁运营事故相关的高维和异构数据时数据作为整体输入进行均匀处理，缺乏对有效致灾源和传导路径的识别与筛选，导致构建的风险网络结构复杂、重点不清。此外，大多数相关研究提供定性预测或主观确定危害程度，缺乏更客观的考虑致灾率与致灾度的定量评价方法。针对上述问题，提出一种基于算法融合的致灾源传导网络构建方法：首先，运用TF-IDF算法对历史事故数据进行权重计算，识别有效致灾源；其次，基于Apriori算法仅对筛选出的关键致灾源进行关联规则挖掘，通过设置最小支持度和置信度阈值，构建简明且重点突出的传导网络结构；最后，采用贝叶斯网络对网络中的节点关系进行概率推估，获得风险传导概率，并结合人员伤亡率、设备损坏程度、运营延误时长等损失指标，建立了基于概率-损失函数表征的综合评估模型。该方法通过算法融合实现了从海量数据中提炼关键致灾源、构建核心传导网络、量化传导概率和灾害损失的全流程分析，为地铁运营风险的精准防控提供了理论与技术支撑。

1　地铁运营致灾源传导复杂网络模型构建

针对城市轨道交通多源事故的复杂传导特性，构建数据驱动的致灾源传导网络，通过量化致灾源灾害传导关系解析复杂风险传导机制，方法设计流程图如图1所示。首先采用词频-逆文本频率(Term Frequency-Inverse Document Frequency，TF-IDF)算法从事故文本中提取致灾源特征词，通过累积分布拐点法确定阈值筛选关键特征词集合。结合Apriori算法支持度(Support)和置信度(Confidence)阈值挖掘强关联规则，构建初步传导网络结构；进而，应用贝叶斯网络建模方法量化节点间传导概率，以事故等级为全局根节点，形成致灾源节点间多传导拓扑网络。最后，结合构建以致灾频率与灾害度二者函数表征为权重的有向赋权图，实现关键风险链的识别与断链防控。

1.1　地铁运营关键致灾源辨识

TF-IDF是结合词频(Term Frequency，TF)和逆文本频率(Inverse Document Frequency，IDF)的加权算法，旨在反映词汇对文本的贡献大小^[12]。通过结合TF和IDF，该算法可有效过滤掉常见的、非主题相关词，通过公式(1)量化事故文本关键致灾源贡献度。

{\varpi }_{i，j}=t{f}_{i，j}\times \mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{10}}(\frac{N}{d{f}_i})(1)

式中：N指地铁运营事故文本总数；d{f}_i指包含致灾源特征词i的文本数；t{f}_{i，j}表示致灾源特征词i在文本j中出现的频率。

然而，TF-IDF算法在处理地铁事故文本时呈现明显局限性，尤其对于低频但高危害性的致灾源术语，单纯依赖词频权重计算可能导致此类重要致灾源信息被错误过滤。对此，采用累积分布曲线拐点法，基于特征值累积分布的斜率变化特性，区分关键致灾源与一般词汇。通过将特征词的TF-IDF值按降序排列，计算累积分布函数，绘制特征值权重与累积频率的关系曲线，通过计算曲线各点的斜率变化，确定斜率变化最为显著的拐点，并将该拐点对应的特征值作为筛选阈值，筛选特征词构建完整致灾源集合，可在保证高频致灾源有效识别的同时，亦能兼顾低频但具重要影响的致灾源要素。

1.2　多源传导网络构建

基于1.1中挖掘出的致灾源，采用Apriori算法，依靠支持度、置信度和提升度3个关键参数^[13]来评价关联规则质量，从而揭示各致灾源间因果关联关系，进而构建以致灾源为节点、以强关联规则为有向边的致灾源传导网络。

（1）支持度S(V_i\to V_j)是指城市轨道交通运营数据库中包含致灾源V_i和V_j的事故案例数n_{ij}占总数N的比例，记为公式(2)。

S(V_i\to V_j)=\frac{n_{ij}}{N}(2)

（2）置信度C(V_i\to V_j)是致灾源V_i和V_j的支持度与致灾源V_i的支持度之比，表示在包含前致灾源V_i的条件下，关联规则从V_i\to V_j中得到后致灾源V_j的概率，记为公式(3)。

C(V_i\to V_j)=\frac{S(V_i\bigcup V_j)}{S(V_i)}=\frac{n_{ij}}{n_i}(3)

（3）针对多致灾源协同作用场景，引入动态提升度阈值，增强多维规则显著性，记为公式(4)。

L(V_i\to V_j)=\mathrm{1}+\mathrm{0.2}\times {\mathrm{e}}^{\mathrm{0.5}\times k}(4)

式中：k为调节参数，用于控制前置项长度对提升度的影响程度，k增加时，提升度阈值呈指数级增长。当k > 5时，无论提升度是否达标，规则均被截断，仅保留关键多维规则，避免高阶组合爆炸。

Apriori算法虽能有效挖掘关联规则，但其固有的频繁项集遍历机制导致计算复杂度随数据维度呈指数级增长，致使高维数据处理效率严重受限。对此，基于R语言可视化分析支持度-置信度散点分布特征，确定最优阈值参数(最小支持度与最小置信度)，筛选显著相关的强关联规则集，实现精准剪枝，显著降低算法复杂度。同时，通过将事故类型设为唯一根节点A，进一步简化网络结构。基于国家^[14]与地方^[15]地铁运营事故分级标准，从人员伤亡、财产损失及延误时长等后果影响维度，将事故划分为“重大”“较大”和“一般”3级运营事故。根节点A取值空间为{high，middle，low}，在网络构建过程中允许多个致灾源节点同时影响同一目标节点，形成多对一的传导拓扑关系，从而构建出层次结构清晰的贝叶斯网络模型。

1.3　二元组传导概率计算

基于已构建的致灾源传导网络，运用贝叶斯网络进行概率推理，以量化致灾源与事故等级间的概率关系。针对不同复杂度的传导结构，采用差异化的概率计算策略，量化多节点联合作用概率，解析风险传导路径。

（1）短前置项规则(父节点数 ≤ 3)。对于结构简单、高频出现的致灾源组合，采用条件概率表(CPT)精确刻画其作用机制。基于历史事故数据的离散状态统计，构建多维条件概率分布表，记为公式(5)。

P({V_j}^{(S)}=\mathrm{1}|V_{\mathrm{1}}，V_{\mathrm{2}}，V_{\mathrm{3}}）=\frac{\mathrm{c}\mathrm{o}\mathrm{u}\mathrm{n}\mathrm{t}({V_j}^{(S)}=\mathrm{1}|V_i)}{\mathrm{c}\mathrm{o}\mathrm{u}\mathrm{n}\mathrm{t}(V_i)}(5)

（2）长前置项规则(父节点数 ≥ 4)。对于复杂的多源协同致灾源作用场景，采用加权平均方法计算条件概率，记为公式(6)。

P({V_j}^{(L)}=\mathrm{1}|V_{i\mathrm{1}}，V_{i\mathrm{2}}，...，V_{im}）=

\mathrm{1}-\stackrel{m}{\underset{k=\mathrm{1}}{\mathrm{\Pi }}}(\mathrm{1}-{\omega }_{ik}·P(V_{ik}=\mathrm{1}))(6)

式中：{V_j}^{(L)}为父节点数 ≥ 4的目标子节点(事故后果或次级致灾源)；V_{i\mathrm{1}}，V_{i\mathrm{2}}，...，V_{im}为父节点集合(m\ge \mathrm{4})；{\omega }_{ik}表示父节点V_{ik}到子节点{V_j}^{(L)}的归一化权重，满足{\displaystyle \sum _{k=\mathrm{1}}^m}{\omega }_{ik}=\mathrm{1}；P(V_{ik}=\mathrm{1})为父节点V_{ik}的激活概率。

权重系数{\omega }_{ik}通过置信度归一化确定，记为公式(7)。

{\omega }_{ik}=\frac{C(V_{ik}\to {V_j}^{(L)})}{{\sum }_{s=\mathrm{1}}^{m}C(V_{is}\to {V_j}^{(L)})}(7)

式中：C(V_{ik}\to {V_j}^{(L)})表示从父节点V_{ik}到子节点{V_j}^{(L)}的置信度或关联强度，{\displaystyle \sum _{s=\mathrm{1}}^m}C(V_{is}\to {V_j}^{(L)})表示所有父节点到子节点{V_j}^{(L)}的置信度总和。

研究涉及安全领域，预测结果准确性至关重要，故采用召回率与精确率验证重大事故预测性能。鉴于二者存在相互制约关系，引入F_i值(F-measure)作为综合评价指标，其计算见公式(8)。该指标取值范围为[0，1]，值越接近1表明模型性能越优。

F_i=\frac{\mathrm{2}}{\frac{\mathrm{1}}{N_{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o},i}}+\frac{\mathrm{1}}{L_{\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l},i}}}=\mathrm{2}\frac{N_{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o},i}·L_{\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l},i}}{N_{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o},i}+L_{\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l},i}}(8)

式中：N_{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n},i}表示精确率；L_{\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l},i}表示召回率。

1.4　致灾源传导网络有向赋权图构建

考虑到实际的城市轨道交通运营事故的严重程度并不仅仅与发生的频繁度有关，而是发生频次与致灾度之间有着交互自反馈关系。因此，提出灾害度参数R，见公式(9)。

R=P\times C(9)

灾害值C_i表示当致灾源发生时可能造成的灾害后果的程度。在城市轨道交通运行中，可以用人身伤害参数B_i、延误造成的损失参数T_i和财产损害参数M_i的和来表示。为统一不同指标间量纲，故转换为等效经济损失表示，见公式(10)。

C_i=T_i+M_i+B_i(10)

延误灾害损失T_i为地铁运营过程中事故造成列车延误，对车内乘客及延误时间内到站的乘客造成的经济损失，见公式(11)。

T_i=q\times (nN{t}_i+\frac{\mathrm{1}}{\mathrm{2}}\lambda t_i^{\mathrm{2}})(11)

式中：q为单位时间人均生产力失能损失，1.06元/min；n为线路列车开行数量，40列；N为平均列车载客数，1 459人/列；\lambda为平均到达乘客率，2 430人/min；t_i为事故i造成的延误时间，min。

设施灾害损失M_i为地铁运营事故造成的列车、车站设施损坏所带来的经济损失。在实际案例中由于灾害损失发生比例较少，所以计算时忽略不计，见公式(12)。

M_i=\left\{\begin{array}{l}{\omega }_m，\mathrm{损坏}\mathrm{程度}\mathrm{为：}\mathrm{维修}\mathrm{可继}\mathrm{续使}\mathrm{用}\\ {\omega }_u，\mathrm{损坏}\mathrm{程度}\mathrm{为：}\mathrm{更新}\mathrm{零部}\mathrm{件后}\mathrm{可继}\mathrm{续使}\mathrm{用}\\ {\omega }_r，\mathrm{损坏}\mathrm{程度}\mathrm{为：}\mathrm{需报}\mathrm{废后}\mathrm{重新}\mathrm{购买}\end{array}\right.(12)

人身伤害损失B_i为地铁运营事故造成的人身伤害按其失去的工作能力天数来评估等效经济损失。参考《企业职工伤亡事故分类标准》中对人身伤害的分级标准，取平均死亡失能时间为6 000 d，重伤失能时间为3 052.5 d，轻伤失能时间为53 d，见公式(13)。

B_i=q\times \mathrm{60}\times \mathrm{8}\times (\mathrm{6}\mathrm{000}\times r_i^{\mathrm{1}}+\mathrm{3052.5}\times r_i^{\mathrm{2}}+\mathrm{53}\times r_i^{\mathrm{3}})(13)

式中：r_i^{\mathrm{1}}为事故i中死亡人数，人；r_i^{\mathrm{2}}为事故i中重伤人数，人；r_i^{\mathrm{3}}为事故i中轻伤人数，人。

通过致灾源发生概率与灾害度的乘积拟合灾害赋权结果，对值域进行[0，1]区间归一化处理，以此作为有向边的权重，绘制赋权图精准断链防控。

2　地铁运营致灾源传导分析实例研究

2.1　地铁运营关键致灾源辨识

针对地铁运营事故的分析，使用2019—2021年上海市轨道交通的调度日志，共收集原始数据10万余条，原始运行调度日志数据涵盖地铁运营中各类故障记录、正常运行记录、施工检查、夜间驾驶及相关生产活动记录，包含大量非故障记录与冗余数据。为了便于数据挖掘和处理，需要进行基本的原始数据清理。首先通过SQL语句清除空值及冗余记录，获取87 426条有效记录；其次基于“故障”“事故”“障碍”“延误”等运营安全关键词进行筛选，获得41 587条运营安全相关记录；最后依据致灾性标准进一步筛选涉及人员伤害、财产损失等危及运营安全的事故记录4 183条，形成运营事故数据集。基于筛选后的事故记录，应用TF-IDF算法提取文本特征。初轮获取基础特征词集，随后通过排除通用词汇、非风险指示性词汇及语义冗余项，并结合领域知识调整特征词权重分布。经5轮迭代式特征提取与优化，最终从语料库中识别出176个潜在致灾源候选词汇，将致灾源特征词的TF-IDF值按降序排列，计算累积分布函数，并绘制特征值权重与累积频率关系曲线，特征词TF-IDF值累积分布曲线阈值确定如图2所示。

特征词TF-IDF值累积分布曲线于权重值0.03处呈现显著拐点特征。拐点左侧，曲线斜率较大，表明少量高权重特征词贡献了主要累积权重；拐点右侧，曲线斜率急剧降低，表明大量低权重特征词对累积分布贡献较小。通过计算分布曲线二阶导数，确定曲率变化最大点位于权重值0.03处。因此，选取0.03作为特征值阈值，筛选TF-IDF值超过此阈值的特征词，最终获得34个关键致灾源，TF-IDF关键致灾源识别结果如表1所示。

2.2　致灾源传导复杂网络构建

利用表1所示关键致灾源作为Apriori算法输入数据，对34个关键致灾源进行关联规则挖掘，设置初始支持阈值S_{\mathrm{m}\mathrm{i}\mathrm{n}}=\mathrm{0.000}\mathrm{1}和置信度阈值C_{\mathrm{m}\mathrm{i}\mathrm{n}}=\mathrm{0.000}\mathrm{1}。分析结果显示，关联规则主要集中于支持度0.001~0.01范围内，但多数规则置信度低且提升度不足，表明致灾源间关联度较低。根据置信度分布，大多数关联规则的置信度在0.01~0.1之间，在此范围内关联规则提升度不足。因此设定最小支持度阈值S_{\mathrm{m}\mathrm{i}\mathrm{n}}=\mathrm{0.01}、最小置信度阈值C_{\mathrm{m}\mathrm{i}\mathrm{n}}=\mathrm{0.1}。最终获取108条有效关联规则，关联规则(部分)如表2所示。

为提升该模型的推理效率与精度，简化网络结构，设置地铁运营事故类型为唯一父节点A。将识别的34个致灾源作为子节点，结合挖掘的108条关联规则确定节点间的有向边，从而构建完整的网络拓扑结构，贝叶斯网络模型结构如图3所示。

2.3　二元组传导概率计算

在确定贝叶斯网络结构后，基于地铁运营事故报告数据提取致灾源与严重程度信息，整理为Genie 2.3数据格式，进行参数学习，获取节点先验概率及关键节点条件概率表(Conditional Probability Table，CPT)，地铁运营事故先验概率结果如图4所示。

在致灾因素方面，物因缺陷，功能部件损伤、失效的概率最高，57%的事故发生在列车设备故障V23情况下，45%的事故发生在车门故障V1情况下。人因缺陷发生概率次之，13％的事故发生在人员侵限情况下。贝叶斯网络概率推理能深入捕捉特定事故类型的关键致灾因素。通过公式(5)计算简单结构的条件概率，确定致灾源与事故等级间概率依赖关系。对于复杂结构，基于公式(6)计算，识别多致灾源协同作用下的事故演化路径。权重系数通过公式(7)中的置信度归一化确定，精确量化不同致灾源的相对影响强度。采用Genie 2.3软件构建贝叶斯网络状态图，设置运营事故节点状态如图5所示，节点条件概率分布反映致灾源在不同事故等级下的发生概率，节点间有向连接表征基于传导概率识别的传播路径，形成完整致灾源演化网络。

在事故状态调整为High且确定性为100%时，图5a反映系统中存在多个关键风险点和复杂的传播链路。其中V1(53%)和V27(53%)为高概率致灾源中间节点，作为系统中最主要的风险汇聚节点，其接收来自多个上游节点的风险输入并向高风险状态传递。V2(17%)、V5(17%)和V29(19%)为次高概率的致灾源节点，构成了系统的主要致灾源，它们既可以通过直接路径影响高风险状态，也能通过多级传递产生连锁反应。

在事故状态调整为middle且确定性为100%时，图5b揭示直接原因如信号系统故障、设备故障等直接影响列车运行安全和效率。间接原因包括维护不足、操作错误等，为直接问题的发生提供背景条件。其中V1车门故障的后验概率61%最大，取此父节点，并逆向推断{V2 (15%)→V1(61%)→middle(100%)}传导链。

在事故状态调整为Low且确定性为100%时，图5c揭示直接原因包括信号系统局部功能异常、轨道表面缺陷和车辆非关键部件故障，可能导致运行延误或影响乘客舒适度，但不会直接威胁到安全。间接原因如维护不当、操作不规范等，可能逐渐累积影响系统的整体性能和安全。其中V1车门故障的后验概率51%最大，取此父节点，并逆向推断{V2 (8%)}→V1(51%)→low (100%)}传导链。

模型验证时首先进行数据清洗，将训练集数据与测试集数据进行上述指标的计算，对模型的预测性能进行验证。预测模型结果验证如表3所示。

通过对重大运营事故预测结果的召回率和精确率进行统计发现，训练集与测试集的综合评价指标F_i可以达到90.6%和90.1%，验证了模型的预测性能。

2.4　致灾源传导网络有向赋权图

根据网络推理公式计算特定运营事故状态下致灾源间的概率分布，以地铁运营企业发布的风险源风险序列的官方信息为标准，补充日志中各风险源的实际风险序列，获得各风险源的延迟时间、财产损害和人身伤害。并对3个参数进行无因次处理，得到延误损失参数T_i、设施损失参数M_i和人身损失参数B_i，在上海地铁案例数据集中，涉及设施重大损失事件比例极低(仅占0.3%)，且多为局部小型设备损坏，相较人员伤亡和运营延误造成的损失较小，因此在具体计算时影响有限。将灾害度参数引入公式(9)，并归一化得到大事故类型下致灾源灾害损失(部分)如表4所示，绘制有向赋权风险链网络示意图如图6所示。

2.5　致灾源传导下的断链防控

基于网络传导结构分析，识别出高频高损型、低频极损型和长链累积型3种典型致灾传导路径，3种路径具有各自的传导特性与防控要点，结合实际案例进行深入分析。

（1）高频高损型路径以V2→V1→high为核心示例，其特征为风险触发频率高且累积损失显著。V1(车门故障36%)作为路径的高权重节点，由V2(乘客不安全行为4%)直接触发，形成强传导关联，显著放大运营事故风险。

乘客不安全行为(V2)(如阻挡车门关闭、门缝间逗留等)直接触发门机保护装置，引发故障停车程序。上海地铁数据显示，高峰期车门故障率较平峰期高出2.1倍，平均每次故障造成3.8 min运行延误。通过对2019—2021年车门故障1 247例样本分析，发现“乘客行为-门机响应-列车停驶”的传导链条呈现明显时空集聚特征。

基于传导网络拓扑分析，通过在高峰时段重点站点实施“文明乘车引导员”与“车门安全监测”等组合干预措施，从源头阻断V2节点可同步切断包含V1(车门故障)、V34(人车冲突)、V16(车门夹物)及V21(人员侵限)等节点的5条传导路径。可将直接传导灾害度降低4%，间接灾害度降低1.44%，总灾害度降低5.44%，系统年度期望损失降低约14.90万元，实现风险源头控制。

（2）低频极损型路径V5→V27→high构成系统内灾害度最高的传导链，其特征为触发频率低但单次损失极大。V27(列车脱轨38%)作为灾害度极高节点，受V5(异物侵限4%)直接影响，传导灾害高达38%。

异物侵限事件虽发生频率低，但一旦导致脱轨，后果极其严重。2019年上海地铁13号线因轨行区金属异物入侵引发的列车局部脱轨事件，造成设备损失约684万元，导致线路紧急停运6.5 h，影响约3.8万名乘客出行。深入分析表明，侵限异物主要来源于3类：施工维护遗留物(48%)、外部人为投入物(35%)及恶劣天气带入物(17%)。事故调查显示，V5→V27传导效率与异物质量、体积及位置高度相关，呈现明显的临界触发特性。

网络拓扑分析显示，通过在高风险区段(如明洞段、桥梁邻近区等)增设防侵入栅栏与声光预警装置等措施，阻断V5节点可同步切断包含V27(列车脱轨)、V7(信号故障)、V10(供电中断)及V24(设备老化)等8条传导路径，可将直接传导灾害度降低4%，间接灾害度降低1.52%，总灾害度降低5.52%，系统年度期望损失降低约15.12万元，大幅降低系统高影响风险。

（3）长链累积型路径以V33→V13→V4→V5→V7→V24→V11→high为典型代表，路径通过多级低概率节点串联形成“蝴蝶效应”式风险扩散。初始节点V33(发车指示异常0%)经多级节点传导，最终可能触发V11(信号机故障)等高影响节点。

此类路径危险性在于风险的级联放大效应。2020年上海地铁2号线案例显示，发车指示异常(V33)导致站务员操作不当(V13)，引发站台大客流滞留(V4)，最终促使乘客接近轨道形成异物侵限(V5)，触发紧急制动，造成列车连锁晚点82 min，经济损失17.3万元。多级传导的非线性特征在此得到充分体现，各节点间形成“微小故障-人员应对-客流响应-次生风险”的复杂传导格局。

对此应采取“分段阻断”策略，重点强化关键节点的独立防护措施。分析显示，对长链累积型路径实施断链优化时，断开不同节点的效益差异显著：断开源头节点V33效益几乎可忽略(约为0万元/年)；断开中间节点V4直接灾害度降低2%，间接灾害度降低0.10%，总灾害度降低2.10%，可将系统年度期望损失降低约5.75万元，同时可与低频极损型路径的控制措施协同实施，实现资源共享与成本优化。

3种典型传导路径(高频高损型、低频极损型、长链累积型)的断链效益比较如图7所示。

3　结论

针对上海地铁运营事故情景，构建了一个结合文本挖掘算法、先验算法和贝叶斯网络的地铁运营致灾源传导复杂网络模型，揭示了地铁系统致灾源传导机理及风险防控路径。主要结论如下。

（1）系统刻画地铁运营风险3类典型传导路径及其特征。高频高损型路径(V2→V1→high)呈现触发频率高且累积损失显著；低频极损型路径(V5→V27→high)呈现触发概率低但单次灾害度极大；长链累积型路径(V33→...→V11→high)则表现为多级低权重节点级联放大效应。基于传导特性构建的概率-灾害度双重量化指标体系，揭示了V2、V5和V4等关键断链控制点，优化了系统风险管控路径，为风险防控决策提供了定量依据。

（2）基于贝叶斯网络的定量分析结果确证了不同传导路径断链效益的显著差异性。低频极损型路径(V5→V27)断链效益最高，可降低总灾害度5.52%，年度风险降低15.12万元；高频高损型路径(V2→V1)断链效益相当，可降低总灾害度5.44%，年度风险降低14.90万元；而长链累积型路径中断开V4节点(5.75万元)显著优于断开V33节点(约为0万元)。表明在风险管控中，应优先针对低频极损型和高频高损型路径实施断链策略，对于长链累积型路径则应选择关键中间节点而非源头节点进行干预。

（3）建立了基于传导特性的差异化风险防控策略体系。结合风险传导机理与断链效益分析，针对高频高损型路径和低频极损型路径提出侧重“触发源管控”的防控策略，针对长链累积型路径则提出“关键传导阻断”的防控策略。这种差异化策略设计基于不同类型路径的内在传导特性，能够在相同资源投入下实现风险防控效益最大化。实证分析表明，系统性实施差异化防控策略可降低系统总风险5.52%以上，若3种策略协同实施，年度经济效益可达41.09万元。为轨道交通系统安全韧性提升提供了理论基础与实用方法。

未来研究将进一步探索传导网络断链方法与城市轨道交通应急管理体系深度融合，形成闭环风险管理机制，进一步提升城市轨道交通运营系统的安全韧性。

参考文献

[1] SHEN S Y， OSORIO J， OUYANG Y F. Optimizing Block Configuration and Operation Protocol for Extra-Long Metro Trains[J]. Transportation Research Part C：Emerging Technologies，2024，162：104612.

[2] 游俊雄. 宏观视角下地铁建设与城市经济的关联分析[J]. 铁道运输与经济，2022，44(6)：114-121.

[3] YOU Junxiong. Correlation Analysis between Subway Construction and Urban Economy from a Macro Perspective[J]. Railway Transport and Economy，2022，44(6)：114-121.

[4] CHAPMAN C， COOPER D. Risk Analysis for Large Project：Models Method and Cases[M]. Hoboken：John Wiley & Sons，1987.

[5] KANGARI R. Risk Management Perception and Trend of U. S. Construction[J]. Journal of Construction Engineering and Management，1995，121(4)：422-429.

[6] 李浩然，王子恒，杨起帆，等. 复杂网络下地铁灾害链演化模型与风险分析[J]. 中国安全科学学报，2021，31(11)：141-147.

[7] LI Haoran， WANG Ziheng， YANG Qifan，et al. Evolutionary Model and Risk Analysis of Metro Disaster Chain under Complex Network[J]. China Safety Science Journal，2021，31(11)：141-147.

[8] 季陈懿. 地铁施工安全风险概率及其控制成本分析[D]. 杭州：浙江大学，2022.

[9] 韩天园，田　顺，吕凯光，等. 基于文本挖掘的重特大交通事故成因网络分析[J]. 中国安全科学学报，2021，31(9)：150-156.

[10] HAN Tianyuan， TIAN Shun， Kaiguang LYU，et al. Network Analysis on Causes for Serious Traffic Accidents Based on Text Mining[J]. China Safety Science Journal，2021，31(9)：150-156.

[11] QIU Z X， LIU Q L， LI X C，et al. Construction and Analysis of a Coal Mine Accident Causation Network Based on Text Mining[J]. Process Safety and Environmental Protection，2021，153：320-328.

[12] 丁小兵，史　淦，刘志钢，等. 城市轨道交通运营FTA-Apriori风险链构建方法研究[J]. 安全与环境学报，2023，23(9)：3002-3009.

[13] DING Xiaobing， SHI Gan， LIU Zhigang，et al. Research on the Construction Method of FTA-Apriori Risk Chain in Urban Rail Transit Operation[J]. Journal of Safety and Environment，2023，23(9)：3002-3009.

[14] 雷　斌，田伯轩，李佳晨，等. 贝叶斯网络在地铁运营事故严重程度预测中的应用研究[J]. 安全与环境学报，2024，24(7)：2751-2758.

[15] LEI Bin， TIAN Boxuan， LI Jiachen，et al. Research on Subway Operation Accident Severity Warning Based on Bayesian Network[J]. Journal of Safety and Environment，2024，24(7)：2751-2758.

[16] 袁　惠，钟少波，靳　薇. 基于文本挖掘的WUI火灾致灾因子网络构建及特征分析[J]. 计算机系统应用，2024，33(6)：251-258.

[17] YUAN Hui， ZHONG Shaobo， JIN Wei. Construction and Feature Analysis of WUI Fire Causal Factor Network Based on Text Mining[J]. Computer Systems and Applications，2024，33(6)：251-258.

[18] 纪柯柯. 基于文本数据的高速公路事故持续时间预测研究[D]. 重庆：重庆交通大学，2021.

[19] 杨　洋. 考虑区域类型差异的高速公路事故风险识别与交通安全评价研究[D]. 北京：北京交通大学，2020.

[20] 国务院办公厅印发《国家城市轨道交通运营突发事件应急预案》[J]. 中国安防，2015(11)：10.

[21] 上海市交通委员会.上海市轨道交通运营突发事件应急预案(2020版)[EB/OL]. (2021-01-06)[2024-12-18].

[22] 王　恺，李晓龙，徐高峻. 地铁事故导致列车延误的社会经济损失评价[J]. 城市轨道交通研究，2014，17(4)：28-32.

[23] WANG Kai， LI Xiaolong， XU Gaojun. Evaluation of Socio-Economic Losses of Train Delay Due to Subway Accident[J]. Urban Mass Transit，2014，17(4)：28-32.

基金资助

上海市哲学社会科学规划课题(2024BGL005)