本发明属于风险评价技术领域，具体的说是一种煤矿安全管理风险的方法。
背景技术：
煤矿行业是高危行业，虽然近几年我国加大了对煤矿安全管理的力度，全国煤矿安全事故呈大幅下降趋势。但与英、美等国家相比，事故总量依然偏大。据研究显示，在引起煤矿安全事故的诸多因素中，由于管理失范导致的人因问题是关键性的风险因素。
目前也有一些煤矿安全管理风险方法的提出，由于煤矿安全管理具有复杂性和时变性等特点，随着安全管理的力度的加大以及认识的提高，在一些管理方面也有较大的改善，传统的风险识别与评价方法在煤矿安全管理上的应用存在一定的时局性，尤其在解决煤矿安全管理风险评价的主观性和实施动态评价方面显得不足，从而不能精确的评价安全管理风险，因此，不能单纯的按照以前的模式进行管理风险，适合时局并能精确评价安全管理风险是目前亟待解决的问题。
技术实现要素：
为了解决上述现有技术中的不足，本发明的目的在于提供一种煤矿安全管理风险预防的方法，能适合时局准确找出煤矿安全管理中各种潜在风险因素，建立风险因素评价模型，通过模型结果对安全管理的失误进行预防预控，避免或减少煤矿安全事故的发生。
为了解决上述技术问题，本发明采用如下技术方案：
本发明提供了一种煤矿安全管理风险的方法，包括以下步骤：
s1：通过问卷统计进行数据采集；
s2：对于所采集的数据进行描述性统计；
s3:对所统计后的数据处理，并对所述数据进行信度和效度分析，得到最终变量；
s4：根据最终变量以及最终变量之间的关系，提出假设变量；
s5：对最终变量和提出的假设变量建立结构方程模型；
s6：对模型整体拟合和内在结构拟合，并根据模型的整体拟合和内在结构拟合标准拟合度进行模型评价；
s7：对模型进行拟合修改检验，获取修正后的模型拟合优度指数，并将修正前后模型拟合优度指数比较；
s8：根据结构方程模型、模型评价、模型修正，得出最终结论。
进一步的，所述问卷统计包括：多位被访专家和多个变量。
进一步的，所述数据采集是通过问卷统计建立一个n阶的邻接矩阵,采用随机游走的pagerank算法，获取专家权重pr(hi)i＝1,..,n，将基于pagerank的专家权重与问卷的邻接矩阵的内积作为数据。
进一步的，所述对数据描述性统计运用stata12.0软件工具。
进一步的，所述的数据处理是对数据进行归一化处理，用以消除各数据量纲不同的影响。
进一步的，所述信度和效度分析采用克朗巴哈系数法(cronbach’salpha)以增加数据的稳定性和可靠性。
进一步的，所述最终变量包括五个外源潜变量和一个内源潜变量，所述五个外源潜变量为安全管理组织(smo)、安全管理模式(smm)、安全管理能力(sma)、安全管理要素(amf)及安全管理监控(smc)，所述内源潜变量煤矿安全管理风险后果(smr)。
进一步的，所述假设变量包括：安全管理组织风险，安全管理模式风险，安全管理要素风险，安全管理监控风险。
进一步的，根据x＝lxx+s，确立外源潜变量测量方程：
其中，x1-x18为外源指标向量的因子，λx1.1-λx18.5对应的外源指标与外源潜变量之间的关系；σ1-σ18分别为外源指标对应的残差项；
内源潜变量测量方程的构建
根据y＝λyη+ε，确立内生潜变量测量方程：
其中，y1-y3为内源指标向量因子，smr为所述安全管理风险后果，λy1.1-λy3.1是内源指标与内源潜变量之间的关系，ε1-ε3为误差项；
结构方程的构建
根据h＝bh+gx+z，研究的结构方程：
其中，β11-β31内源潜变量smr之间的回归系数、γ11-γ35分别表示smr与smo、smm、sma、smf、smc之间的回归系数，ζ1-ζ3表示残差项。
进一步的，所述对模型进行拟合修改检验运用amos17.0软件。
与现有技术相比，本发明的有益效果为：
1、本发明通过问卷统计pagerank算法进行数据采集，所采集数据能够适合时局，更精准的找到安全管理风险因素。
2、本发明对所采集数据运用stata12.0软件工具描述性统计、归一化处理、并采用克朗巴哈系数法进行信度和效度分析，增加了数据的稳定性和可靠性。
3、本发明使用结构方程解决了风险因素关系分析及风险评价，得到风险因素的精确分析，可根据数据采取相应措施，消除风险因素的影响作用，切断风险传导路径，才能将煤矿安全管理风险概率降到最低，真正实现煤矿安全的精细化与本质化管理。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为实施例一流程示意图；
图2为实施例一结构方程模型及运算结果。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
如图1～图2所示，本发明的一个实施例提供了一种煤矿安全管理风险的方法，具体步骤如下：
(1).通过问卷统计进行数据采集：
选择5所煤炭高校和有代表性的山西、河南及安徽两淮地区煤矿作为样本抽样对象，选择12个煤矿(含5个民营煤矿)，共发放问卷360份，有效回收318份。问卷主要由4个部分组成：问卷填写指南、基本信息、风险因素表述和风险后果表述，其中选择性问题部分用李克特七点量表，完全不同意(1分)，不同意(2分)，基本不同意(3分)，不完全同意(4分)，基本同意(5分)，同意(6分)，完全同意(7分)；
pagerank专家权重计算及数据预处理
本研究对318份问卷的被访专家进行搜索，挖掘他们之间的社会关系。建立一个318阶的邻接矩阵，采用随机游走的pagerank算法，获取专家权重pr(hi)i＝1,..,n。运用专家权重与原始数据进行内积运算，原始问卷整理出来的数据是由18个变量
则有：
运用matlab7.0计算出各个指标变量的最终分值，作为本实施例的数据。
根据问卷统计分析，结合专家访谈结果，对煤矿安全管理关键风险因素进行初步识别与归类。将安全管理组织(smo)、安全管理模式(smm)、安全管理能力(sma)、安全管理要素(amf)及安全管理监控(smc)等5个变量提炼出，这些因素均可能引发煤矿安全风险，进而导致煤矿煤矿安全管理风险后果(smr)。
(2).运用stata12.0软件工具，对于采集的数据进行描述性统计：
五个外源潜变量和一个内源潜变量，所述五个外源潜变量为安全管理组织(smo)、安全管理模式(smm)、安全管理能力(sma)、安全管理要素(amf)，一个内源潜变量为安全管理监控(smc)，所述内源潜变量煤矿安全管理风险后果(smr)。根据描述性分析结果，数据没有极端值和异常值。
(3).对所统计后的数据处理，并对所述数据进行信度和效度分析，得到最终变量：
对数据进行归一化处理，对处理后的数据进行信度和效度分析，以增加数据的稳定性和可靠性，处理后的数据信度与效度分析结果如表1-3所示：
表1数据信度分析结果
表2煤矿安全管理风险因素指标的kmo和bartlett的检验
表3煤矿安全管理风险后果指标的kmo和bartlett的检验
从表3-3可知，数据总体cronbach’salpha值为0.927，大于参照值。一般情况下认为，kmo>0.9非常适合因子分析，0.8-0.9适合，0.7以上尚可；
bartlett球形检验用于检验各变量的独立性，其值越大越好，表3和表4中给出的kmo和bartlett的球形检验结果显示,煤矿安全管理风险评价指标及风险后果指标的kmo值分别为0.887、0.736，煤矿安全管理风险评价指标及风险后果的bartlett球型检验值分别为1650.32、1522.99，相应概率sig均为0.000，说明存在显著差异，该指标的信度和效度均较好，确定最终变量，五个外源潜变量和一个内源潜变量，所述五个外源潜变量为安全管理组织(smo)、安全管理模式(smm)、安全管理能力(sma)、安全管理要素(amf)，一个内源潜变量为安全管理监控(smc)。
(4).根据最终变量以及最终变量之间的关系，提出假设变量：
安全管理组织风险是影响煤矿安全管理的关键风险因素，着重从煤矿安全管理组织结构、组织行为、组织文化等方面对煤矿安全管理组织风险因素进行分析；安全管理模式是煤矿为解决安全管理问题而制定的一整套安全管理方法、程序及制度体系；安全管理能力(包括行政管理能力、行为管理能力、信息及创新管理能力等)则是风险后果的直接影响因素；安全信息是煤矿安全管理决策的基础，信息的时效性、信息来源及质量直接决定了安全管理决策的正确性；安全管理监控系统能对安全管理活动中的各个环节进行动态监控，以便能提前发现安全管理过程中可能存在的风险因素。
综合以上内容：最终变量h1-h5：安全管理组织(smo)、安全管理模式(smm)、安全管理能力(sma)、安全管理要素(amf)及安全管理监控(smc)，这五个方面存在的风险因素对煤矿安全管理风险后果(smr)均具有直接显著影响。
这5个方面的风险因素之间是相互影响的，煤矿安全管理组织结构不明确，组织职责不清晰，组织行为不规范都等会对煤矿安全管理能力和安全管理模式产生一定影响；安全管理模式、安全管理要素、安全管理监控等会对安全管理能力也会产生影响；安全管理监控因素会对安全管理能力、安全管理要素产生影响。
基于以上分析，本实施例又提出如下h6-h11的假设：
h6-h7：安全管理组织风险可能会增加安全管理能力和安全管理模式的风险概率并导致风险后果。
h8：安全管理模式风险可能会增加安全管理能力风险概率并导致风险后果。
h9：安全管理要素风险可能会增加安全管理能力风险概率并导致风险后果。
h10-h11：安全管理监控风险可能会增加安全管理能力和安全管理要素的风险概率并导致风险后果。
最终，本实施例提出11个变量，h1-h5是直接影响效应，h6-h11是间接效应对煤矿安全管理产生影响效应。
(5)对最终变量和提出的假设变量建立结构方程模型：
包括5个外源潜变量和一个内源潜变量，结合假设，外源潜变量和内源潜变量之间有11条传输路径。以问卷调查题目的协方差矩阵为基础数据进行建模。
外源潜变量测量方程的构建
根据以上分析结果，5个外源潜变量中每个变量分别包含3、4、4、4、3，共计18个观测指标。根据x＝lxx+s，确立外源潜变量测量方程：
内源潜变量测量方程的构建
安全管理风险后果(smr)包含3观测指标，根据y＝λyη+ε，确立内生潜变量测量方程：
结构方程的构建
根据h＝bh+gx+z，可得本研究的结构方程：
(6)对模型整体拟合和内在结构拟合，并根据模型的两个标准拟合度进行模型评价：
本文通过模型整体拟合度和内在结构拟合度两个标准对模型的拟合度进行评价，各项拟合指标的评价标准见表4：
表4拟合指数与评价标准
(7)运用amos17.0对模型进行拟合修改检验，获取修正后的模型拟合优度指数，并将修正前后模型拟合优度指数比较：
表5修正前后模型拟合优度指数比较
表5可以看出，模型修正后各变量的显著性概率均大于0.05。χ2/df为2.321，表示模型很好，模型修正后的rmsea(近似误差均方根)是0.0584，nfi(赋范拟合指数)为0.919，nnfi(非范拟合指数)为0.918，ifi(增值拟合优度指数)为0.921，均大于0.9的标准，说明是好的拟合。
(8)根据结构方程模型、模型评价、模型修正，得出最终结论：
由表5修正后模型各变量之间的参数值和图2结构方程模型及运算结果显示：h1：
根据路径系数计算值，5个潜变量对煤矿安全管理风险后果的直接作用路径系数分别为：0.79、0.78、0.98、0.82、0.73。对安全管理风险后果的影响直接效用排序为：安全管理能力>安全管理要素>安全管理组织>安全管理模式>安全管理监控。
同时，安全管理组织又通过安全管理能力，安全管理模式2条间接路径作用于风险后果，总路径系数等于直接影响效应的路径系数和间接路径系数之和。即
表6综合评价指标路径系数值
安全管理组织通过一条直接路径和2条间接路径作用于煤矿安全管理风险后果，路径系数分别为0.79、0.70、0.75。综合路径系数值为：
psmo＝0.79+0.98(0.70×0.75+0.59)＝1.88
同理，依次计算出安全管理模式、安全管理要素、安全管理监控的综合路径系数值分别为：
psmm＝0.78+0.98×0.75＝1.52
psmf＝0.82+0.98×0.68＝1.37
psmc＝0.79+0.98(0.72×0.68+0.61)＝1.87
煤矿安全管理能力对煤矿安全管理风险后果的路径系数为0.98，呈直接显著效应。
通过综合计算，得到5个一级风险指标对风险后果的影响路径系数值为w＝(0.247,0.199,0.179,0..12304)5，,0影响大小总排序为：煤矿安全管理组织>煤矿安全管理监控>煤矿安全管理模式>煤矿安全管理要素>煤矿安全管理能力。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
除说明书所述的技术特征外，其余技术特征为本领域技术人员的已知技术，为突出本发明的创新特点，其余技术特征在此不再赘述。