一种大型活动踩踏事故动态风险评估方法与流程

本发明属于城市公共安全领域，尤其是涉及一种大型活动踩踏事故动态风险评估方法。
背景技术：
：国内外的各种娱乐活动、体育赛事活动、群众性公共活动的规模及频次日益增加，但大型活动面临着参与人数众多、风险因素复杂、社会影响广泛、事故后果严重等潜在威胁，由此带来众多的突发性公共安全隐患问题，在任何大型人群中，都有受伤甚至死亡的可能，人群安全问题变得越来越重要。多种因素的共同影响下最终导致群死群伤等恶劣后果的踩踏事故，已逐步成为大型公共聚集场所的主要事故灾害。虽然踩踏事件在大型活动中并非罕见，但没有受到社会和学术界足够的关注，导致人们对踩踏事故的发生机制以及事故后果的严重性缺乏深入的了解。此外，针对踩踏事故的风险分析大多是基于模糊综合评估、层次分析法、事故树等，这些传统的方法是局部静态的，在事故演化过程中几乎不能考虑不确定性情况，从而不能随着时间的变化产生状态的评估更新，这使得传统的大型活动静态风险分析方法效果较差。鉴于踩踏事故的发生往往是突发和实时变化的，因此本发明的目的是提供一种实用性和准确性更高，能够全面动态地识别大型活动中踩踏事故风险的方法。技术实现要素：有鉴于此，本发明旨在提出一种大型活动踩踏事故动态风险评估方法，以解决上述问题的不足之处。为达到上述目的，本发明的技术方案是这样实现的：一种大型活动踩踏事故动态风险评估方法，包括以下步骤：s1.多维度收集调研踩踏事故数据；s2.分析踩踏事故数据，确定贝叶斯网络模型；s3.根据构建的踩踏事故贝叶斯网络模型，通过多场景情景分析法，以事故致因和演化路径为基础，运用贝叶斯网络的推理功能动态预测不同踩踏事故场景下的事故后果，并应用敏感性分析方法识别影响踩踏事故发生的关键因素；s4.进行踩踏事故的风险管控。进一步的，所述步骤s2中当踩踏事故数据充足时，采用结构学习方法和参数学习方法构建贝叶斯网络。进一步的，所述步骤s2中当踩踏事故数据有限时，贝叶斯网络模型的建立过程如下：s21.根据踩踏事故的原因和后果建立踩踏事故的bow-tie模型，分析踩踏事故的致因路径，确定贝叶斯网络的结构，识别踩踏事故发生前后的影响因素；s22.采用德尔菲方法和突变理论确定贝叶斯网络的条件概率表，并结合步骤s21中踩踏事故的各影响因素之间的逻辑关系构建踩踏事故贝叶斯网络模型。进一步的，所述步骤s21中分析踩踏事故的致因路径根据系统事故致因理论分为人员因素、活动场地因素、环境因素、管理缺陷。进一步的，所述人员因素包含群体特征和个体危险性行为，所述活动场地因素包含活动场馆的原始设计缺陷和基础设计破坏故障，所述环境因素包含自然灾害、不良天气、场馆及周边突发事故和场馆内外社会安全事件，所述管理缺陷包含日常管理不到位、应急管理不健全。进一步的，所述步骤s21中将踩踏事故的原因和后果结合为bow-tie模型，将踩踏事故作为中间事件，识别出来的导致踩踏事故发生的原因位于bow-tie模型的左侧，踩踏事故发生后所包含的应急保护措施和不同的事故后果位于bow-tie模型的右侧。进一步的，所述步骤s21中通过bow-tie模型确定贝叶斯网络的结构，转化关系如下：导致踩踏事故的基本事件转化为贝叶斯网络中的父节点，中间事件转化为贝叶斯网络的子节点，踩踏事故转化为贝叶斯网络的枢纽节点，根据事故的严重程度，按人员伤亡、经济损失、社会秩序、影响范围四个方面转化为不同的子节点。进一步的，步骤s22中应用德尔菲方法和突变理论确定贝叶斯网络的条件概率表的过程如下：s221.制定关于大型活动中影响踩踏事故发生的可能性风险调查问卷；s222.对踩踏事故风险问卷调查中相关节点的概率进行判断；s223.汇总、整理步骤s222中的数据，根据一致性检验标准判断步骤s222中相关节点的概率是否一致；s224.如果不一致，则调整相关节点内容，重新进行步骤s222，如此反复直至结果一致。进一步的，所述一致性检验标准为克隆巴赫信度系数大于或等于0.8。进一步的，所述贝叶斯网络中父节点的状态概率通过德尔菲方法获取，子节点的状态概率根据贝叶斯网络中父节点的个数选择对应的突变模型，获取量化递归计算值；父节点之间若存在互补关系，则取多个父节点的平均值作为上一级子节点的突变级数值；若不存在互补关系，则取多个父节点的最小值作为上一级子节点的突变级数值，根据子节点的个数选择相应的突变模型并获取系统层突变级数值，以此处理步骤s22中的概率数据，获得导致踩踏事故的条件概率表。进一步的，根据确定的贝叶斯网络结构和条件概率表构建贝叶斯网络模型。进一步的，所述步骤s3中，根据构建的贝叶斯网络模型，设置不同的事故场景，分析导致踩踏事故发生的致因路径，改变节点的发生概率，利用贝叶斯网络的推理功能，动态地预测某个场景下的事故后果，利用敏感性分析识别影响踩踏按事故发生的关键因素，从重要因素入手采取措施以减少踩踏事故的发生，并降低事故后果的严重性。相对于现有技术，本发明所述的踩踏事故动态风险评估方法具有以下优势：本发明所述的踩踏事故动态风险评估方法通过多维收集踩踏事故数据，量化踩踏事故数据，融合突变理论和德尔菲法构建贝叶斯网络模型，然后通过多场景情景分析法，以事故致因和演化路径为基础，运用贝叶斯网络的推演功能动态预测不同踩踏事故场景下的事故后果，并利用敏感性分析方法识别导致踩踏事故发生的最关键影响因素。凭借贝叶斯网络对踩踏事故后果的动态推演，能够清晰认知大型活动踩踏事故的演化过程，科学辨识关键影响因素，能够实现实时数据输入和后结果动态更新，从而对踩踏事故的事前预防、事中响应和事后救援提供有力的支撑。附图说明构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1为本发明实施例所述的踩踏事故动态风险评估方法流程图；图2为本发明中结合踩踏事故发生原因和后果的简易bow-tie图示例；图3为本发明中应用bow-tie模型转化为贝叶斯网络的简化图；图4为本发明中应用德尔菲方法和突变理论分析踩踏事故的结构步骤框图。图5为本发明中一个贝叶斯网络示例；图6为本发明中进行动态评估的一个示例。具体实施方式需要说明的是，在不冲突的情况下，本发明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发明。如图1所示，一种大型活动踩踏事故动态风险评估方法，包括以下步骤：s1.多维度收集调研踩踏事故数据；s2.分析踩踏事故数据，确定贝叶斯网络模型；s3.根据构建的踩踏事故贝叶斯网络模型，通过多场景情景分析法，以事故致因和演化路径为基础，运用贝叶斯网络的推理功能动态预测不同踩踏事故场景下的事故后果，并应用敏感性分析方法识别影响踩踏事故发生的关键因素；s4.进行踩踏事故的风险管控。所述步骤s2中当踩踏事故数据充足时，采用结构学习方法和参数学习方法构建贝叶斯网络。本实施例中，基于评分搜索和约束相结合的混合方法，如mmhc、gbrs等算法确定贝叶斯网络的节点次序和最优网络结构，应用团树传播算法、证据相关法等精确推理算法或随机抽样算法、变换方法等近似推理算法对贝叶斯网络的概率进行推理。所述步骤s2中当踩踏事故数据有限时，贝叶斯网络模型的建立过程如下：s21.根据踩踏事故的原因和后果建立踩踏事故的bow-tie模型，分析踩踏事故的致因路径，确定贝叶斯网络的结构，识别踩踏事故发生前后的影响因素；s22.采用德尔菲方法和突变理论确定贝叶斯网络的条件概率表，并结合步骤s21中踩踏事故的各影响因素之间的逻辑关系构建踩踏事故贝叶斯网络模型。所述步骤s21中分析踩踏事故的致因路径根据系统事故致因理论分为人员因素、活动场地因素、环境因素、管理缺陷。所述人员因素包含群体特征和个体危险性行为，所述活动场地因素包含活动场馆的原始设计缺陷和基础设计破坏故障，所述环境因素包含自然灾害、不良天气、场馆及周边突发事故和场馆内外社会安全事件，所述管理缺陷包含日常管理不到位、应急管理不健全。根据现场调研、文献调研、历史数据、专家经验等，将导致踩踏事故的基本事件从这四个方面进行分析和归纳。所述步骤s21中，分析踩踏事故后果包括：参加大型活动的人员自发疏散，防止事故进一步扩大。大型活动的组织方及时出动，维护现场秩序，组织人员安全疏散，并报警请求支援，启动全面的应急响应，消防、医护、公安、教育和媒体多个部门协作配合，展开全面的救助；事故发生后积极组织重建、安抚伤亡、汲取教训，做好善后处置工作；发生踩踏事故后的保护性措施分为自发疏散、组织维护、报警救援、善后处置。如图2所示，所述步骤s21中将踩踏事故的原因和后果结合为bow-tie模型，将踩踏事故作为中间事件，识别出来的导致踩踏事故发生的原因位于bow-tie模型的左侧，踩踏事故发生后所包含的应急保护措施和不同的事故后果位于bow-tie模型的右侧，对大型活动体育赛事中的踩踏事故进行详细归类，以系统展示踩踏事故演化路径，便于进行踩踏事故的风险场景分析并跟踪追溯风险措施的落实效果。如图3所示，所述步骤s21中通过bow-tie模型确定贝叶斯网络的结构，转化关系如下：导致踩踏事故的基本事件转化为贝叶斯网络中的父节点，中间事件转化为贝叶斯网络的子节点，顶上事件即踩踏事故转化为贝叶斯网络的枢纽节点，根据事故的严重程度，按人员伤亡、经济损失、社会秩序、影响范围四个方面转化为不同的子节点，本实施例中，x1、x2等导致踩踏事故的基本事件(如出口数量过少，看台倒塌)转化为贝叶斯网络中的父节点；m1、m2等中间事件(如场馆设计缺陷、基础设施破坏故障，管理缺陷等)转化为贝叶斯网络的中间节点；a代表顶上事件即踩踏事故转化为贝叶斯网络的枢纽节点；v1、v2等代表事故发生后的应急措施(如自发疏散、报警救援等)也转化为贝叶斯网络的中间节点；c是c1、c2等不同事故后果的集合，即按照事故的严重性转化为人员伤亡、经济损失、社会秩序、影响范围等不同的子节点。步骤s22中应用德尔菲方法和突变理论确定贝叶斯网络的条件概率表的过程如下：s221.制定关于大型活动中影响踩踏事故发生的可能性风险调查问卷；s222.对踩踏事故风险问卷调查中相关节点的概率进行判断；s223.汇总、整理步骤s222中的数据，根据一致性检验标准判断步骤b2中相关节点的概率是否一致；s224.如果不一致，则调整相关节点内容，重新进行步骤s222，如此反复直至结果一致。所述一致性检验标准为克隆巴赫信度系数大于或等于0.8。所述贝叶斯网络中父节点的状态概率通过德尔菲方法获取，子节点的状态概率根据贝叶斯网络中父节点的个数选择对应的突变模型，获取量化递归计算值；父节点之间若存在互补(概率值相差较小)关系，则取多个父节点的平均值作为上一级子节点的突变级数值；若不存在互补(概率值相差较大)关系，则取多个父节点的最小值作为上一级子节点的突变级数值，根据子节点的个数选择相应的突变模型并获取系统层突变级数值，以此处理步骤b中的概率数据，获得导致踩踏事故的条件概率表。根据确定的贝叶斯网络结构和条件概率表构建贝叶斯网络模型。所述步骤s3中，根据构建的贝叶斯网络模型，设置不同的事故场景，分析导致踩踏事故发生的致因路径，改变节点的发生概率，利用贝叶斯网络的推理功能，动态地预测某个场景下的事故后果，利用敏感性分析识别影响踩踏按事故发生的关键因素，从重要因素入手采取措施以减少踩踏事故的发生，并降低事故后果的严重性。本实施例的工作过程如下：根据现场调研、文献调研、历史数据、专家经验等，识别可能导致踩踏事故发生的风险和事故发生后不同阶段应急措施下的后果，将其转化为bow-tie图，从而定性且清晰地分析踩踏事故的演化路径。采用德尔菲方法和突变理论确定贝叶斯网络的条件概率表，基于踩踏事故多种影响因素之间的逻辑关系和条件概率表构建踩踏事故的贝叶斯网络图。运用情景分析法，根据已构建的踩踏事故贝叶斯网络模型，分析在不同事故场景下的事故后果。应用敏感性分析方法，识别导致踩踏事故发生的关键性影响因素，从而实现对踩踏事故的动态风险评估和管控。大型活动中导致踩踏事故发生的风险主要分为四个方面：①参加大型活动的人员在进场或者出场时的速度、密度、弱势群体数量等，人群特征或者个体特征中可能会造成踩踏事故的风险因素；②开展活动的场地中基础设备、应急设施、临时搭建的设施、出入口、楼梯口等可能影响人员应急疏散的关键地点是否布置或者设计合理等，即活动场地中存在的可能会造成踩踏事故的风险因素；③地震、海啸等自然灾害，雨雪冰冻等不良天气，活动场地内外的火灾、爆炸等事故，以及暴恐袭击等社会安全事件，全面分析在周围自然环境和社会环境的影响下可能会造成踩踏事故的风险因素；④大型活动的举办方安全保障措施、管理制度、应急预案等日常管理和应急管理是否到位而且健全，即管理方面的缺陷可能会造成踩踏事故的风险因素。通过考察现场实际情况、调研踩踏事故相关文献、分析历史上各种踩踏事故的原因、总结专家相关经验，全面分析可能导致踩踏事故发生的因素。主要根据系统事故致因理论，从人员影响、活动场地、环境影响、管理缺陷四个方面从上到下逐层识别导致事故发生的因素，按照上述步骤将识别出的踩踏事故的风险按照人员因素、活动场地因素、环境因素、管理缺陷四个方面进行分类归纳，确定构建bow-tie的左半部分以全面描述导致踩踏事故的各种因素及其逻辑关系，实现对导致踩踏事故的风险进行识别的目的。按照踩踏事故发生发展的规律，其应急管理分为准备、响应、恢复、防灾减灾的四个连续的闭环阶段，即参加大型活动的人员自发疏散，防止事故进一步扩大；大型活动的组织方及时出动，维护现场秩序，组织人员安全疏散，并报警请求支援，展开全面的救助，消防、医护、公安、教育、媒体等多个部门协作配合，启动全面的应急响应；事故发生后积极组织重建、安抚伤亡、汲取教训，做好善后处置工作。自发疏散、组织维护、报警救援、善后处置等任何保护性措施失效均会导致不同的事故后果。根据每一步应急保护措施是否有效，构建bow-tie的右半部分以分析踩踏事故发生后的一系列后果，推测事故发生后果的严重性，计算各种演化路径下的踩踏事故发生概率，确定最易发生踩踏事故的演化途径，以便于提供具有可靠依据的安全对策。应用贝叶斯方法实现对踩踏事故风险的定量计算，其中任一个节点的概率都可用以下公式来表示：其中p(a)、p(b)分别表示事件a，b的先验概率，p(a|b)和p(b|a)分别表示事件b发生的情况下事件a发生的概率和事件a发生的情况下事件b发生的概率，也就是给定证据b和a后，事件a和事件b的后验概率；p(x)表示节点x的联合概率分布，i表示贝叶斯网络中所有节点的集合，i表示任意节点的一个随机变量，xpa(i)表示节点i所有的父节点。对于任意一个随机变量，其联合概率分布可以通过乘以各自的局部条件概率分布得到：p(x1,x2,x3...,xn)＝p(xn|x1,x2,x3,...xn-1)...p(x2|x1)p(x1)，其中的p(xn|x1,x2,x3,...xn-1)是节点xn的条件概率，p(x2|x1)表示子节点x2的条件概率，p(x1)表示这个贝叶斯网络中父节点的先验概率。对于踩踏事故中的父节点的条件概率，通过文献调研、历史数据、事故报告、专家经验等获得，子节点的概率通过德尔菲方法和突变理论获得。应用德尔菲方法和突变理论分析踩踏事故的结构步骤框图过程如下：制定关于大型活动中影响踩踏事故发生的可能性风险调查问卷，问卷中针对踩踏事故的影响因素和问卷目的进行全面详细的描述；邀请本研究领域的知名专家，成立专家组，同时提供给专家详细的背景资料，填表要求等必备的说明性文件，在每个专家彼此之间没有任何交流的情况下对踩踏事故风险问卷调查中相关节点的概率进行判断，首先依据发生可能性的大小，将概率划分为5个等级，划分标准如表1所示，等级越高，发生的概率越大。表1概率分级表等级ⅰⅱⅲⅳⅴ概率[0,0.2)[0.2,0.4)[0.4,0.6)[0.6,0.8)[0.8,1]收集专家的意见之后，对每位专家的意见进行汇总、整理，利用一致性检验判断专家的意见是否趋于一致，本发明中判断专家意见一致的标准是克隆巴赫信度系数(cronbach'salpha)大于或等于0.8，公式如下：其中α代表克隆巴赫系数的值，σ2y代表专家对问卷中的某个问题给出的概率结果的方差，σ2x代表所有专家对问卷中一个特定问题给出的概率结果的方差，而k代表测验题目的数量。如果α大于或等于0.8则被认为专家的意见达到一致。在第一轮中对每个专家的意见进行一致性检验后，对于未能达到一致的意见，将信息反馈给专家组，将具有不同意见的问题进行一定的调整，仍然在专家之间没有交流的情况下，重新邀请专家进行节点概率的分配。按照此流程反复3-5次，直至各位专家的意见趋于一致。以父节点“x1(人群速度过快)”、“x2(人群密度过大)”、“x3(弱势群体数量)”、“x4(性别比例偏差)”为例，五位专家依据经验，在文献调研、历史数据、事故报告等基础上，它的节点模糊概率如表2-表5所示。表2“x1(人群速度过快)”节点各级概率分配表3“x2(人群密度过大)”节点各级概率分配表4“x3(弱势群体数量)”节点各级概率分配表5“x4(性别比例偏差)”节点各级概率分配一致性检验的结果如表6所示：表6x1、x2、x3、x4四个节点的一致性分析结果节点x1x2x3x4cronbach's0.9140.9870.9990.878由表6可看出，这四个节点的克隆巴赫系数均大于0.8，表示专家的意见在这四个节点的状态概率问题上达到一致。将一致的所有专家意见进行统计，并按照突变理论的方法对子节点的概率数据进行整理。对于定量的确定性数据，由于数据的范围和单位不相同，判断节点是正向指标(数值越大越好)、逆向指标(数值越小越好)还是适度指标(数值越接近某一值越好)，依据相应的原则将所有的数据进行无量纲化处理；本实施例中子节点的概率为不确定性数值，且概率范围均在0至1之间，无需再进行无量纲化处理。以子节点“m1(群体特征危险行为)”为例，专家1给出的概率结果如表7所示(因为篇幅限制，其他专家的意见不再做详细的论述)。表7节点m1在x1、x2、x3、x4影响下，专家1对m1各级概率的判断情况经过几轮专家的判断使意见达到一致后，将每位专家概率结果的平均值作为最后的结果。对于子节点“m1(群体特征危险行为)”一致后的专家意见如表8所示。表8m1节点在x1、x2、x3、x4影响下的各级概率m1节点具有四个控制变量，所以按照突变理论中蝴蝶结模型的归一公式和主次关系，在第一种状态组合下根据互补关系，取平均值得出四个控制变量x1、x2、x3、x4在第一种状态组合下，m1节点状态为“较多”的概率为0.620；按照相同的归一化公式得出根据非互补关系，取最小值得出m1节点状态为“较少”的概率为0.205，因m1节点的两种状态之和为1，所以按照权重，得到“较多”、“较少”的状态分别为0.752、0.248，重复上述步骤，得到m1节点的条件概率表如表9所示。表9子节点m1的条件概率表按照相同的方法，根据贝叶斯网络中子节点控制变量的个数(即父节点的个数)选择相应的突变模型，获取量化递归计算值，父节点之间若存在互补(数值相差较小)关系，将父节点的平均值作为上一级子节点的突变级数值，若不存在互补(数值相差较大)关系，将父节点的最小值作为上一级子节点的突变级数值，最终获得导致踩踏事故发生的所有子节点的条件概率表。将所有的节点概率加入到贝叶斯网络结构中，如图5所示，是以x1、x2、x3、x4、m1为例，将每个节点的先验概率或条件概率加入到贝叶斯网络中。通过德尔菲法、突变理论相结合确定条件概率表，并将其加入到由bow-tie图转化的贝叶斯网络后，如图6是本发明设置的人群密度过大、弱势群体数量过多对群体特征危险行为的影响，动态显示了群体特征危险行为较多的概率由53.8％增加至65.7％。因此运用情景分析法，通过在贝叶斯网络中设置不同的事故场景，运用贝叶斯网络的推理功能，动态预测某个场景下事故后果的变化情况，事故后果包括人员伤亡、经济损失、社会秩序、影响范围四个方面。最后应用敏感性分析的方法判断影响事故发生的重要因素，采取相应的措施以减少踩踏事故的发生，并降低事故后果的严重性。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12