基于贝叶斯网络的客运班线运输系统风险评估

汪子恒，马健霄，周智文，朱宁

（南京林业大学 汽车与交通工程学院，江苏 南京 210037）

1 引言

交通运输行业是国民经济和社会发展的基础产业。近年来，随着各运输企业管控工作的加强，班线运输的重特大事故数量呈明显下降趋势。然而，群死群伤仍时有发生[1-2]。据国家安全监管总局2017年统计数据显示：在近十年212起重特大道路交通事故中，“两客一危”车辆和校车、农用车占84.9%。道路旅客运输车辆运载人员较多，在道路运输过程中受到不确定风险因素也较多，一旦发生事故，极易导致群死群伤事故的发生。

为了遏制重特大事故，提升道路运输企业安全生产风险防控能力，2017年5月交通运输部出台了《公路水路行业安全生产风险管理暂行办法》，要求企业依法依规建立健全安全生产风险管理工作制度。然而，对于公路运输行业中一直处于高风险的“两客一危”企业来说，多数长年来对风险管控意识不到位，行业内部尚未实行普遍的、具有可操作性的风险防控规范[3]。

贝叶斯网络（Bayesian Network，BN）是一种以贝叶斯理论为基础，综合相关领域专家经验，以及大量企业现场数据综合起来的风险评估方法[4]。如今已广泛应用于铁路[5]、加气站[6]、钻井[7]等领域的风险评估与管理工作。实际计算证明，该方法可有效预测系统中各致险因素的概率，并指导相关管理人员快速找到潜在风险源。贝叶斯网络对致险因素的线性与概率关系有严格的要求，基于相关的图论与概率知识，可对复杂风险网中的风险关系图进行推理[8-9]。因此，本文以班线运输作为研究对象，使用贝叶斯拓扑网络对客运企业进行风险评估。既可通过贝叶斯网络向前预测，推理出整个客运系统的风险度；亦可通过贝叶斯网络向后诊断，计算出各致险因素的风险度，并为企业的实际风险管理工作提供明确的建议。

2 贝叶斯网络分析方法

2.1 贝叶斯网络的基本原理

贝叶斯网络分析方法即通过收集各风险事件的信息，并对其进行危险性分析，以评价风险事件的后果与严重程度，利用事件期望值与计算得到的修正概率做出最优决策。在一般计算方法中，贝叶斯网络分析方法有预测推理、诊断推理、支持推理三种推理方式[5]。

传统的贝叶斯模型计算公式为：

式中Xi指系统中第i个证据节点，∏(Xi)为指标Xi的父指标节点。

传统的推理过程可表示为：

（1）预测推理：由证据节点发生的概率预测出目标节点发生的概率。即已知证据节点的先验概率为P(Ai)，并且假设经过调查所获得的新附加信息为P(R｜Ai)，推知目标节点P(R)的概率，即：

（2）诊断推理：在目标节点已发生的前提下，推理出导致该目标节点的证据节点发生的概率。即已知证据节点的先验概率为P(Ai)，并假设经过调查所获得的新附加信息为P(R｜Ai)，推知证据节点Ai在目标节点概率为P(R)下的后验概率P(Ai｜R)，即：

（3）支持推理：在中间节点已发生的前提下，推理出导致该节点的目标节点和证据节点发生的概率。同样设证据节点的先验概率为P(Ai)，且假设经过调查所获得的新附加信息为P(R｜Ai)，推知目标节点P(R)的概率和证据节点Ai在目标节点概率为P(R)下的后验概率P(Ai｜R)。

2.2 贝叶斯网络在客运班线运输风险控制中的应用

典型的班线运输风险贝叶斯网络结构图（如图1所示），可以简单反映出班线运输风险控制贝叶斯网络结构中各节点的关系。其中Z为目标节点，为整个班线运输系统，中间节点Yi为高层风险指标，底层节点Yij为最低层级的风险指标。

图1 典型的客运班线运输风险贝叶斯网络结构图

根据图1，利用贝叶斯分析网络分析班线运输风险的基本步骤为：

（1）根据《职业健康安全管理体系规范》（FB/T 28001-2001）对危险源的定义，对作业流程中的风险源进行辨识。常用的危险源辨识方法有安全检查表法、作业危险性分析法、事故树分析法等，不同方法各有优劣，本文在此不详细说明。企业在风险评估操作过程中，可针对实际作业中的特点，选取合适的风险辨识方法进行辨识。

（2）由于致险因素的先验概率由企业的运输特性以及客运作业本身的特点决定，而与致险因素实际出险频次无关。所以致险因素的先验概率可通过构建隶属度函数，邀请领域专家对各层级致险因素的先验概率进行模糊评价得到。本文采用三角模糊数作为致险因素的隶属函数，即设致险因素Ã的隶属度函数(x)可表述为(a,b,c),其表达式如下：

其隶属函数图形如图2所示。

图2 三角模糊数的隶属函数图形

客运班线运输作业致险因素众多，部分致险因素的出险数据少，有时难以对其精确定值。因此，本文引入5个自然语言变量：非常高、偏高、中等、偏低、非常低，可根据表1转换成对应的三角模糊数。

表1 自然语言变量与三角模糊数转换表

每个语言变量与三角模糊数对应的隶属度函数如图3所示。

图3 各自然语言变量隶属度函数图

为获得最底层级风险指标的概率信息，可邀请多位领域专家对不同致险因素的等级状态给出评价意见。根据模糊集指标，将致险因素的等级状态分为较小可忽略风险、一般可接受风险、重大不可接受风险三种状态，分别编号0、1、2。第k位专家对节点Yi处于风险等级j的评判意见，通过上述三角模糊数转化，可获得该致险因素的三角模糊概率

（3）为得到相对贴近真实先验概率的模糊值，可将各位专家的评判意见取均值，得到该致险因素的模糊均值概率，即：

采用面积均值法将模糊均值转化为最能代表该模糊集的概率，即：

将作归一化处理，作为该致险因素的先验概率及条件概率分布Pij，即：

（4）利用模糊贝叶斯网络进行推理

I.正向预测推理：已知最底层级风险指标的先验概率为P(Yij)，并且假设经过调查所获得的新附加信息 为P(Y1｜Y11,Y12,...,Y1j)、P(Y2｜Y21,Y22,...,Y2j)、…P(Yk｜Yk1,Yk2,...,Ykj)及P(Z｜Y1,Y2,...,Yk)。则整个班线运输系统Z的概率为：

根据最大隶属度原则，隶属度最大的模糊评语最符合运输企业的安全状态评估。使用“3、2、1”表示企业的安全等级，等级数越大，表示越安全，安全程度由低到高依次升高。具体评估等级表见表2。

表2 客运班线运输企业安全状态评估等级表

II.反向诊断推理：已知最底层级风险指标的先验概率为P(Yij)，并且假设经过调查所获得的新附加信息为P(Y1｜Y11,Y12,...,Y1j)，P(Y2｜Y21,Y22,...,Y2j)，…P(Yk｜Yk1,Yk2,...,Ykj)及P(Z｜Y1,Y2,...,Yk)。根据I预测推理出整个班线运输系统Z的概率为P(Z)，则推知最底层级风险指标Yij在整个班线运输系统Z风险已发生条件下的后验概率为：

3 现场安全评价

3.1 贝叶斯风险指标构建

本文通过FTA故障树分析法，选取J市某客运企业，对客运班线运输作业进行风险分析[1-2.10]，得到4个一级风险指标和16个二级风险指标，见表3。

表3 班线运输风险指标

根据贝叶斯拓扑结构原理，构建班线运输风险的贝叶斯网络结构图，如图4。

3.2 贝叶斯模型诊断

本文邀请了五位相关企业安全负责人对各致险因素进行模糊评价。以驾驶员操作错误Y11为例，各负责人评价结果见表4。

表4 风险指标Y11专家评判意见

图4 班线运输风险贝叶斯网络结构图

假设各位专家权重相同，由表1和式（5）-（7）可计算出Y11的各状态先验概率P(Y11)=（0.489,0.343,0.168），同理使用贝叶斯网络结构对其他风险指标进行条件概率计算，以完成对系统的推理工作。本文利用Netica软件完成相关计算工作，其计算结果见表5。

正向推理结果：根据最大隶属度原则，该企业属于2级状态（安全风险中等）的概率最大，即该运输企业的安全状态评价为“中等安全风险”。虽无需进行停业整顿，但仍存在一些需要控制的风险；而当系统风险控制在“中等”时，人的因素、设备车辆因素、道路环境因素风险等级为2，即属于可控风险；管理因素风险安全等级为3，即属于可忽略风险。

反向推理结果：若使得运输企业安全等级一定为“中等”，则人的因素安全等级为“中等”，对应概率40.1%；车的因素安全等级为“较低”，对应概率47.7%；环境因素安全等级为“中等”，对应概率54.1%；管理因素安全等级为“较低”，对应概率53.3%。概率越大，表明该因素越安全，反之，若某因素后验概率很小，则该因素风险大。由此可以看出，对班线运输风险影响最大的是人为因素，其次为道路环境因素。进一步追踪，可得到“教育培训制度缺失、不完善或落实不到位→管理因素→客运班线运输企业”是最为安全的因素链，而“驾驶员注意力分散→人为因素→客运班线运输企业”是最可能危害到客运班线运输企业安全的因素链。

表5 各节点的先验概率与推理概率

4 安全管控措施建议

正向推理结果表明，J市某企业安全状态被评价为“中等”，安全等级为“2级”，相对较安全，引发重大风险的致险因素较少，但仍需控制整改。反向推理结果表明，对该企业风险影响由大到小依次为人为因素、道路环境因素、车辆设备因素、企业管理因素。针对上述推理结果，为该企业制定以下安全管理措施建议：

（1）在各一级风险指标中，人的因素影响最大，而其中“驾驶员注意力分散”和“驾驶员违规驾驶”二级指标风险程度最高。管理方面，建议该企业建立健全班组人员的安全生产责任制，切实加强对各班组、各线路驾驶员的管理。除根据相关规定，所有客运车辆应安装GPS卫星定位系统及行车记录仪外，各班组还应加强对驾驶员作业流程实行全程监控，对开车时接打电话、开车时看视频等容易引起驾驶员注意力分散的行为实行“零容忍”态度。

此外，针对超速驾驶、疲劳驾驶等不易监控到的违规驾驶行为，可建议该企业在运输车辆安装如FCW前碰撞预警系统、SLIF速度限制提醒系统等，并及时收集各班组每个周期内的违规次数。同时，建议该企业可针对各班组设立驾驶员的绩效奖金制度，通过每个周期内各驾驶员的违规次数多少设定绩效奖金。对连续排在末尾的驾驶员或班组，可采取“末位淘汰制”，以加强对驾驶员人为因素风险的管控。

（2）在各一级风险指标中，影响程度第二高的为道路环境因素，其中“交通流量过大”二级指标风险程度最高。所以建议该企业做好作业车辆的实时定位工作。

企业可与智能地图厂商或交管中心合作，在车辆出发之前对运营路线的流量做大致的推算。如遇雨雪雾雹等极端天气或节假日客流高峰，企业应提前做好道路高流量安全预警，必要时可于出发前临时更改作业路线（但应有完善的临时更改路线制度）。在运输过程中，企业管理人员应及时获取作业路线的动态流量，如遇临时性道路拥堵，管理人员应在作业车辆驶入拥堵路段前提前做出指挥调度工作，结合主动路径指示设备，提前要求驾驶员更改路线。

（3）在车辆设备因素中，“主动安全装置失效”二级指标风险程度最高。建议该企业在每次出车前，加强作业车辆主动安全装置的检查工作。驾驶员如发现车辆主动安全转置发生故障，应及时维修或向企业相关部门汇报。

在实际调查中发现，该企业能够确保每日作业前的车辆例保。然而在作业过程中，部分驾驶员在主动安全装置出现故障时，仍存在侥幸心理，认为安全装置出现小故障问题不大，作业完成后再检修也足够及时。然而，结合前文所述，客运过程中风险因素最高的致险因素为“驾驶员注意力分散”和“驾驶员违规驾驶”。在主动安全装置出现故障的情况下，若驾驶员未及时维修而选择继续运输，再出现违规驾驶行为的风险危害程度将极大提升。因此，建议该企业建立健全驾驶员在作业过程中发现车辆主动安全装置故障后及时就近维修制度。

5 结语

本文针对道路班线运输作业风险高发的情况，分析了各风险的底层因素，得出了针对某道路客运企业的安全评价。

（1）利用贝叶斯拓扑网络在安全风险评价工作中的优势，构建出了道路班线运输工作的贝叶斯拓扑网络结构图。该结构共有4个一级风险指标与16个二级风险指标，并可利用此网络对道路班线运输工作进行风险评价。

（2）通过贝叶斯网络的正向推理方法，预测了该企业在各风险指标下的风险管理水平；并通过反推计算诊断出各风险事件的风险度，为公路客运企业的风险控制工作提供参考。

（3）针对风险评估结果，对该客运企业风险程度较大的风险指标提出了有针对性的风险管理措施建议，为该企业的风险管控工作提供了较为详实的参考依据。

（4）该风险评估模型普适性较强。如需进行旅游包车运输或危货运输企业的风险评估，仅需针对不同运输作业的特点添加不同的二级指标，而不会过多改变拓扑结构的主体。