基于PCA-TOPSIS耦合模型的煤矿安全生产管理评价

阳建新，李发菊，段伟强

(1.海南地质综合勘察设计院，海南 海口 570002；2.华北有色工程勘察院有限公司，河北 石家庄 050021；3.河北省矿山地下水安全技术创新中心，河北 石家庄 050021)

0 引 言

煤炭是我国的主体能源和重要的工业原料，煤炭产业也是我国重要的能源支柱性产业，为国民经济和社会平稳快速发展以及国家能源安全稳定供应提供了有力保障[1-2]。然而，我国煤炭资源的地质环境复杂且地质构造发育，造成开采难度大、各类灾害频发等问题，给国家带来了巨大的经济损失[3]。“十三五”期间，在我国持续推进煤炭供给侧结构性改革政策的背景下，煤炭行业通过设备智能化升级改造、加强从业人员培训与管理等手段，实现了煤矿安全生产形式的高速提升[4-5]。我国的原煤产量和百万吨死亡率的演化过程如图1所示。

图1 我国原煤产量和百万吨死亡率演化过程Fig.1 Evolution process of raw coal production and million ton mortality in China

煤矿生产全流程的潜在事故危险源种类繁杂，安全生产管理要素众多，主要包含人员要素、设备要素、环境要素、管理要素四方面[6-8]。因此，本文通过建立量化评价模型，对煤矿的安全生产管理水平进行评价，可以有效地掌握其安全生产管理现状，对于提高煤矿的安全管理水平，避免由于安全管理失误导致事故的发生有重要作用[9-12]。因此，本文参考了安全科学理论中的事故致因“4M”要素理论，从人员要素、设备要素、环境要素、管理要素四方面分析了矿山安全管理评价的影响因素，采用主成分分析法确定了各影响因素的权重，并结合优劣势距离法构建了矿山安全管理评价模型，对陕西省北部榆神府矿区的六个典型煤矿的安全生产管理水平进行了量化评价，对指导煤矿提升安全管理水平提供了一定的参考。

1 研究区概况

榆神府矿区位于陕西省榆林市北部，其地理坐标为109°08′24″E～110°27′59″E，38°19′33″N～39°11′23″N，总面积为6 334 km2。榆神府矿区主要地形地貌为风沙滩地、黄土丘陵、河流河谷，是我国陕北地区重要的煤炭能源与化工基地。矿区上覆地层自上而下分别由第四系风积砂层(Q4)、离石黄土(Q2l)、保德红土(N2b)、侏罗系安定组(J2a)、直罗组(J2z)、延安组(J2y)组成，主采煤层为2-2号煤层，典型地质剖面如图2所示。榆神府矿区范围内广泛分布第四系萨拉乌苏组风积砂潜水含水层，该潜水含水层由湖相沉积细砂和中粗砂组成，结构疏松、孔隙大、水资源丰富，渗透系数为1.75～3.44 m/d，埋藏深度为0.5～4.6 m。该潜水含水层是当地重要的生活、工业和农业用水水源，也是维持地表植被生长的生态用水，该潜水含水层的流向受下伏黄土层的控制，一般从矿区的东北向西南流动。

图2 榆神府矿区典型地质剖面Fig.2 Typical geological profile of Yushenfu Mining Area

榆神府矿区煤炭资源禀赋条件优越，但由于近些年连续的高强度开采，各类生产安全事故时有发生，例如突水溃砂事故、机电事故、顶板事故、煤与瓦斯突出事故等，给煤矿企业的安全生产管理带来了巨大的压力。本文通过对榆神府矿区的六个典型的煤矿的深度调研，结合文献资料的收集与整理，得到了各煤矿的安全生产相关数据，用于量化评价其安全管理水平。

2 煤矿安全生产管理评价因素体系

煤矿安全生产管理是一项涉及众多因素的工作，煤矿的安全管理水平直接决定了该煤矿的安全形势，尤其是在目前地壳浅部煤炭资源逐渐枯竭，煤矿的开采深度与开采强度逐渐增加的情况下。据统计，目前煤炭资源的开采深度正在以5～10 m/a的速度向地壳深部进军[13]。进入深部开采后，开采条件将更加复杂，如工作面的水压升高、开采扰动范围增大、温度与湿度急剧升高，由此造成人员的有效工作时间减少、设备的故障率显著升高，矿井深部涌水量也必将明显增加，主要体现在煤层顶板来水量增加以及煤层底板水压升高等，这些客观因素导致煤矿的安全管理形势将更加严峻。由此可见，煤矿安全生产管理对于保证煤炭资源的安全、高效开采至关重要。

煤矿安全生产管理是一个涉及多学科、多要素的复杂过程，这就要求从事煤矿安全生产管理的人员要掌握多学科方向的理论知识，包括采矿、地质、安全、机械、管理、经济等[14]。导致煤矿安全生产事故的发生的因素主要包括人为不安全行为(Men)、设备的不安状态(Machinery)、环境的不良影响(Medium)、管理的欠缺(Management)，在安全科学理论中被称为事故致因“4M”要素理论[15-16]。通过辨识煤矿事故系统要素，应用于事故预防的战略思维中，事故中“4M”是事故形成的致因，同时也是建立预防事故和安全保障系统的战略因素。由此理论出发，本文从人员要素B1、设备要素B2、环境要素B3、管理要素B4四方面分析了矿山安全管理评价的影响因素，其中人员要素B1主要包含人员三违率C1、人员最高学历C2、人员平均工龄C3、专业技术人员比例C4；设备要素B2主要包含机械化程度C5、设备的故障率C6、设备的维护周期C7、百万吨设备的价值C8、设备的更新改造率C9；环境要素B3主要包含矿井最大涌水量C10、粉尘最大浓度C11、瓦斯突出频率C12、工作面温度C13；管理要素B4主要包含安全制度完善率C14、安全措施完善率C15、安全培训周期C16、安全事故控制水平C17。图3为煤矿安全管理评价因素体系，主要是参考和借鉴了文献资料中对影响煤矿安全生产管理因素的分析，并进行了相应的整合处理[17-19]。

图3 煤矿安全生产管理评价因素体系Fig.3 System of coal mine safety production management evaluation factors

3 PCA-TOPSIS耦合评价模型

3.1 PCA模型

主成分分析(principal component analysis，PCA)属于一种数据降维的处理方法，可以将线性相关的原始变量重新整理为线性无关的新变量，其线性表达式见式(1)。

(1)

式中：Y1，Y2，…，Ym为确定的主成分；αm1，αm2，…，αmn为不同因素的协方差矩阵特征值对应的特征向量；X1，X2，…，Xn为各煤矿安全管理评价因素的标准化数据。

各煤矿安全管理评价因素的权重计算见式(2)。

(2)

式中：wj为第j个因素的权重；ci为第i个主成分对应的方差贡献率。

3.2 TOPSIS模型

TOPSIS模型是多目标决策分析中常用的方法，也称为优劣势距离法，该方法根据有限数量的评价对象与理想化目标的接近程度来评价方案的优劣程度[20]，其具体步骤如下所述。

1) 构建加权标准化矩阵。结合各煤矿安全管理评价因素的权重和标准化公式(式(3)和式(4))，构建加权标准化矩阵见式(5)。

(5)

2) 确定评价因素正/负理想解。煤矿安全管理评价因素与煤矿的安全管理水平存在紧密的相关性。负相关因素的值越大，表明煤矿的安全管理水平越低；正相关因素的值越大，表明煤矿的安全管理水平越高。因此，发生安全管理事故的负理想解是正相关指数的最小值或负相关指数的最大值；发生安全管理事故的正理想解是正相关指数的最大值或负相关指数的最小值。 其确定公式见式(6)和式(7)。

(7)

3) 确定煤矿安全管理指数。 从第i个样本到负理想和正理想的距离计算公式见式(8)和式(9)。

(9)

结合式(8)和式(9)确定煤矿安全管理指数计算公式见式(10)。

(10)

式中，SMIi为第i个样本的煤矿安全管理指数，该数值越大，表明该煤矿的安全生产管理水平越高。

4 煤矿安全生产管理水平评价

通过对陕西省榆林市榆神府矿区六座煤矿的调研，结合文献资料收集，得到了各煤矿的安全管理水平的主要影响因素的基础数据，用于量化评价其安全管理水平。通过分析所有影响煤矿安全生产水平的评价因素，可以得到人员三违率C1、设备的故障率C6、设备的维护周期C7、矿井最大涌水量C10、粉尘最大浓度C11、瓦斯突出频率C12、工作面温度C13、安全培训周期C16为成本型因素，即这些因素越小，表明煤矿的安全生产管理水平越高；人员最高学历C2、人员平均工龄C3、专业技术人员比例C4、机械化程度C5、百万吨设备的价值C8、设备的更新改造率C9、安全制度完善率C14、安全措施完善率C15、安全事故控制水平C17为效益型因素，即这些评价因素的值越大，表明煤矿安全生产管理水平越高。

采用SPSS软件的因子分析模块进行分析，采用主成分法提取公因子，应用最大方差旋转法对因子模型进行旋转。计算得到的主成分解释方差贡献率及主成分得分系数矩阵见表1和表2。由表1和表2可知，以特征值为1作为选取标准，可提取四个主成分，其累计贡献率达到了97.464%，表明所提取的主成分已经包含了绝大多数原始数据，可以满足主成分分析的要求。通过PCA模型的计算公式(式(2))可得煤矿安全生产管理评价因素的权重值见表3。

表1 主成分解释方差贡献率Table 1 Principal component decomposition variance contribution rate

依据PCA模型得到的各个煤矿安全生产管理水平评价因素的权重值，通过式(3)和式(4)可得到加权标准化矩阵，见表4。其中，效益型因素采用式(3)进行标准化，成本型因素采用式(4)进行标准化。 然后，根据式(6)和式(7)可获得所评价的六个煤矿的正/负理想解集合，分别为：D+=(0.621，0.663，0.583，0.515，0.540，0.685)和D-=(0.628，0.631，0.646，0.722，0.745，0.615)。采用式(10)计算相对接近度，本文将其定义为煤矿的安全管理指数SMI，用来量化表征煤矿的安全生产管理水平，计算结果见表5。

表2 主成分得分系数矩阵Table 2 Principal component score coefficient matrix

表3 PCA模型计算得到的各评价因素的权重Table 3 Weights of each evaluation factor calculated by PCA model

表4 加权标准化矩阵Table 4 Weighted standardization matrix

表5 PCA-TOPSIS模型评价计算结果Table 5 Evaluation and calculation results of PCA-TOPSIS model

所定义的煤矿安全管理指数SMI的取值范围为0～1，其中0≤SMI<0.25，则煤矿的安全管理水平为差；0.25≤SMI<0.50，则煤矿的安全管理水平为中；0.50≤SMI<0.75，则煤矿的安全管理水平为良；0.75≤SMI<1.00，则煤矿的安全管理水平为优。由图4和图5可知，本次调研的陕西榆神府矿区范围内六个典型煤矿的SMI分布在0.473～0.584之间。通过SMI的分布可以看出，煤矿1、煤矿3、煤矿4、煤矿5的安全管理水平为良，煤矿2、煤矿6的安全管理水平为中；煤矿4的安全管理水平最好，煤矿6的安全管理水平最差。各个煤矿的安全管理水平排序为煤矿4>煤矿5>煤矿3>煤矿1>煤矿2>煤矿6。

图4 基于PCA-TOPSIS耦合模型的正/负理想解距离Fig.4 Positive and negative ideal solution distance based on PCA-TOPSIS coupling model

图5 各评价煤矿的安全管理指数分布Fig.5 Safety management index distribution of each evaluated coal mine

由此可见，研究区内六个煤矿的安全生产管理水平总体处于较好的水平。但是，通过实地调研发现，煤矿2和煤矿6存在工作面温度通风不良问题，导致工作面温度偏高；员工平均工龄较低，较为年轻化，且员工的安全培训周期偏短，导致SMI偏低。 因此，煤矿2和煤矿6应该加强对年轻员工的安全培训和完善工作面的通风系统，以提升安全管理水平。

5 结 论

煤矿的安全管理是一个涉及人员、设备、环境、管理等多方面的复杂系统。本文通过全面分析影响煤矿安全生产管理水平的因素，并采用数学模型进行量化分析，对陕北榆神府矿区范围内六个典型煤矿的安全生产管理水平进行了评价，得到的主要结论如下所述。

1) 基于事故致因“4M”要素理论，本文从人员要素、设备要素、环境要素、管理要素四方面总结了影响煤矿安全生产管理水平的17个因素，并对其进行了量化处理。

2) 本文建立了煤矿安全生产管理的PCA-TOPSIS耦合模型，通过PCA模型得到了17个评价指标的权重，代入TOPSIS模型后得到了六个煤矿的安全管理指数SMI。

3) 本文所评价的陕西榆神府矿区六个典型煤矿的SMI分布在0.473～0.584之间，各个煤矿的安全管理水平排序为煤矿4>煤矿5>煤矿3>煤矿1>煤矿2>煤矿6。

4) 煤矿2和煤矿6应该加强对年轻员工的安全培训和完善工作面的通风系统，以提升其安全生产管理水平。