大秦车务段
摘要:
在大秦车务段日常的生产运输过程中,职工们违章违纪现象时有发生,而人的不安全行为和物的不安全状态是导致事故发生的直接原因,所以为了从源头上消除隐患、避免事故发生,就要加强对职工违章违纪检查,保证按标作业;加强对设备巡视,保证设备安全。本文引入灰色关联相关理论,对职工违章违纪情况进行研究,收集2022年6月份全段职工“两违”数据共计2619条,对其违纪时间、违纪内容、违纪岗位加以关联分析,找到最佳管理策略,避免人为因素导致事故发生,实现主动预防,事先管理。
关键词:职工“两违”、关联分析、事先预防;
1.灰色关联理论简介
1.1基本理论
灰色系统是一个既有已知部分又有未知部分的体系。比如艾斯比曾经用颜色来表示信息的获取情况,在体系中,可以清楚地表达用“白”来表达,不确定的用黑“黑”来表达,部分已知、部分未知用“灰”来表达。该方法具有对样本要求少、精度要求低、分布表现不受约束等优点,与数理统计相比,在实际运用中具有显著的优越性和一致性,方便深入地进行研究[1]。
1.2计算步骤
关联分析是针对样本数据中的系统特征序列与相关因素序列,首先对二者进行初始化处理,之后量化二者之间的紧密程度,以关联度大小为基础,展开现实层面的意义分析[2]。
设系统特征行为序列为:
X0=(x0(1),x0(2)…x0(n))
X1=(x1(1),x1(2),…x1(n)
…
Xi=(xi(1),xi(2),…xi(n))
…
Xm=(xm(1),xm(2),…xm(n))
对于∈(0,1),令
=
(1.1)
=
(1.2)
称为
的灰色关联度,
表示在k处的关联系数,记为
。
综上所述,灰色关联度计算步骤如下[3]:
(1)各序列的初值像(或称均值像)
对于初始值(或单位序列)不同的样本,须采取无量纲化处理之后才能将其用于深入研究,此处选取初值化方法。
X’i=Xi/xi(1)=(x’i(1), x’i(2) …x’i(n)),i=0,1,2…,m (1.3)
(2)序列差
求解序列差的表达式为:
,
=(
),i=1,2…,m (1.4)
(3)两级最大差与最小差
分别取 =
),i=1,2…,m中的最大、最小值为两级最大(M)、最小差(m),表示为:
M= (1.5)
(4)关联系数
关联系数指的是基于各因子序列的几何形状及发展趋势情况,体现其关联程度,其表达式为:
=
,
,k=1,2,
i=1,2,
(1.6)
其中,称为分辨系数,
值越小则其分辨能力越大。
当0.5463时,其分辨能力达到最优,一般取
=0.5。
(5)关联度
对关联系数的结果序列求平均值,所得即为关联度,其表达式为:
(1.7)
2.1数据收集
收集大秦车务段2022年6月份职工“两违”数据,共收集到各类通知书2763件,其中白天1592件,夜间1171件。选取7个主要铁路工种作为研究对象,分别是:信号员X1、值班员X2、外勤助理X3、调车长X4、货运员X5、调车区长X6、道口员X7;根据违章内容性质不同,分为未按标作业Y1、晚出场作业Y2、干与工作无关的事Y3、设备检查不到位Y4、管理不到位Y5、打盹睡觉Y6、其他Y7;根据铁路作业性质将一天分为7个时间段进行研究,分别是:清晨(6:00-8:00)Z1、上午(8:00-12:00)Z2、中午(12:00-14:00)Z3、下午(14:00-18:00)Z4、傍晚(18:00-21:00)Z5、前夜(21:00-3:00)Z6、后夜(3:00-6:00)Z7。收集到的违纪时间、违纪内容与违纪岗位之间的数据如表1.1所示。
表1.1大秦车务段2022年6月份职工“两违”统计表
Table 4.1Statistics of "Two Violations" of Employees in Daqin Train Depot in June 2022
清晨 | 上午 | 中午 | 下午 | 傍晚 | 前夜 | 后夜 | |
X1 | 24 | 35 | 58 | 30 | 29 | 72 | 60 |
X2 | 46 | 47 | 86 | 42 | 54 | 77 | 85 |
X3 | 19 | 16 | 36 | 18 | 15 | 48 | 53 |
X4 | 76 | 62 | 133 | 64 | 64 | 183 | 173 |
X5 | 42 | 36 | 68 | 46 | 49 | 85 | 76 |
X6 | 37 | 35 | 74 | 17 | 26 | 50 | 52 |
X7 | 17 | 19 | 48 | 16 | 16 | 53 | 52 |
Y1 | 88 | 90 | 197 | 92 | 93 | 202 | 193 |
Y2 | 32 | 26 | 63 | 23 | 19 | 98 | 103 |
Y3 | 24 | 26 | 53 | 19 | 18 | 62 | 48 |
Y4 | 19 | 20 | 21 | 23 | 15 | 44 | 43 |
Y5 | 30 | 35 | 40 | 35 | 37 | 46 | 55 |
Y6 | 38 | 32 | 68 | 35 | 37 | 63 | 61 |
Y7 | 30 | 31 | 70 | 12 | 22 | 42 | 45 |
以值班员为例,违纪时间为X轴,违纪内容为Y轴,违纪数量为Z轴,可以得到值班员的违纪数量与违纪时间、违纪内容的三维图表,见图1.1.
.
图1.1值班员违纪数量与违纪内容和违纪时间关系图
Fig. 1.1Diagram of the relationship between the number of violations and the content and time of violations
从图1.1中可以清楚的看到,值班员的违纪数量随着违纪时间和违纪内容的变化有着明显的起伏,在关键时间,如中午、前夜等处,违纪数量达到了最高点,说明违岗位、违纪内容和违纪时间之间是有内在关联的[4]。
下面进行关联分析,将公式(1.1)——(1.7)输入到Matlab中,可以得到违纪岗位、违纪时间与违纪内容之间两两的关联度,见表1.2至1.4。
表1.2违纪岗位与违纪内容之间的关联度
Table 1.2Relevance between disciplinary posts and disciplinary contents
Z1 | Z2 | Z3 | Z4 | Z5 | Z6 | Z7 | |
X1 | 0.5932 | 0.6625 | 0.5727 | 0.5721 | 0.6447 | 0.6891 | 0.5406 |
X2 | 0.6308 | 0.6205 | 0.5347 | 0.6606 | 0.6837 | 0.5403 | 0.6556 |
X3 | 0.6676 | 0.6792 | 0.6423 | 0.6868 | 0.5613 | 0.6501 | 0.7354 |
X4 | 0.6252 | 0.7110 | 0.7681 | 0.6475 | 0.6546 | 0.7377 | 0.5974 |
X5 | 0.6579 | 0.7148 | 0.5746 | 0.5922 | 0.5674 | 0.5849 | 0.6506 |
X6 | 0.6851 | 0.6616 | 0.5780 | 0.6605 | 0.6125 | 0.6182 | 0.6432 |
X7 | 0.7008 | 0.6437 | 0.7003 | 0.6388 | 0.6870 | 0.7217 | 0.6156 |
表1.3违纪岗位与违纪时间之间的关联度
Table 1.3Relevance between disciplinary posts and disciplinary time
Z1 | Z2 | Z3 | Z4 | Z5 | Z6 | Z7 | |
X1 | 0.5932 | 0.6625 | 0.5727 | 0.5721 | 0.6447 | 0.6891 | 0.5406 |
X2 | 0.6308 | 0.6205 | 0.5347 | 0.6606 | 0.6837 | 0.5403 | 0.6556 |
X3 | 0.6676 | 0.6792 | 0.6423 | 0..6868 | 0.5613 | 0.6501 | 0.7354 |
X4 | 0.6252 | 0.7110 | 0.7681 | 0.6475 | 0.6546 | 0.7377 | 0.5974 |
X5 | 0.6579 | 0.7148 | 0.5746 | 0.5922 | 0.5674 | 0.5849 | 0.6506 |
X6 | 0.6851 | 0.6616 | 0.5780 | 0.6605 | 0.6125 | 0.6182 | 0.6432 |
X7 | 0.7008 | 0.6437 | 0.7003 | 0.6388 | 0.6870 | 0.7217 | 0.6156 |
表1.4违纪时间与违纪内容之间的关联度
Table 1.4The correlation between the time of violation and the content of violation
Z1 | Z2 | Z3 | Z4 | Z5 | Z6 | Z7 | |
Y1 | 0.6614 | 0.6441 | 0.6520 | 0.5353 | 0.5604 | 0.6328 | 0.6583 |
Y2 | 0.6276 | 0.6838 | 0.6811 | 0.7545 | 0.6121 | 0.8312 | 0.6315 |
Y3 | 0.6529 | 0.6628 | 0.6834 | 0.6724 | 0.8131 | 0.6274 | 0.6011 |
Y4 | 0.6832 | 0.7416 | 0.5533 | 0.7961 | 0.6229 | 0.6471 | 0.6886 |
Y5 | 0.7181 | 0.5834 | 0.8141 | 0.7052 | 0.6765 | 0.5846 | 0.6804 |
Y6 | 0.6606 | 0.8108 | 0.6011 | 0.6438 | 0.6975 | 0.5646 | 0.6263 |
Y7 | 0.8016 | 0.5940 | 0.7030 | 0.6771 | 0.6471 | 0.5894 | 0.5509 |
以违纪岗位与违纪内容之间的关联度为例,将结果输入到Origin中,可以得到各个岗位与时间的关联度表,见图1.2:
可以清晰的看到,图像的最高点是调车长岗位与中午的关联度,最低点是值班员与前夜的关联度。这是由大秦线的车流量以及各个车站的作业性质决定的[5]。
图1.2各个岗位与违纪时间的关联度图
Fig. 1.2Correlation degree diagram of each post and violation time
现将各个时间段最容易发生违纪的岗位以及违纪内容按照关联度的数值由大到小进行排序,见表1.5:
表1.5各时间段违纪内容与违纪岗位关联度排序表
Fig. 1.5Ranking Table of Correlation between Disciplinary Contents and Disciplinary Posts in Each Period
时间段 | 检查岗位 | 检查内容 | 时间段 | 检查岗位 | 检查内容 |
清晨 | 车号员 | 其他 | 傍晚 | 车号员 | 干与工作无关的事 |
调车区长 | 管理不到位 | 值班员 | 打盹睡觉 | ||
外勤助理 | 设备检查不到位 | 调车长 | 管理不到位 | ||
货运员 | 未按标作业 | 信号员 | 其他 | ||
值班员 | 打盹睡觉 | 调车区长 | 设备检查不到位 | ||
调车长 | 干与工作无关的事 | 货运员 | 晚出场作业 | ||
信号员 | 晚出场作业 | 外勤助理 | 未按标作业 |
上午 | 货运员 | 打盹睡觉 | 前夜 | 调车长 | 晚出场作业 |
调车长 | 设备检查不到位 | 车号员 | 设备检查不到位 | ||
外勤助理 | 晚出场作业 | 信号员 | 未按标作业 | ||
信号员 | 干与工作无关的事 | 外勤助理 | 干与工作无关的事 | ||
调车区长 | 未按标作业 | 调车区长 | 其他 | ||
车号员 | 其他 | 货运员 | 管理不到位 | ||
值班员 | 管理不到位 | 值班员 | 打盹睡觉 | ||
中午 | 调车长 | 打盹睡觉 | 后夜 | 外勤助理 | 设备检查不到位 |
车号员 | 其他 | 值班员 | 管理不到位 | ||
外勤助理 | 干与工作无关的事 | 货运员 | 未按标作业 | ||
调车区长 | 晚出场作业 | 调车区长 | 晚出场作业 | ||
货运员 | 未按标作业 | 车号员 | 打盹睡觉 | ||
信号员 | 打盹睡觉 | 调车长 | 干与工作无关的事 | ||
值班员 | 设备检查不到位 | 信号员 | 其他 | ||
下午 | 外勤助理 | 设备检查不到位 | |||
值班员 | 晚出场作业 | ||||
调车区长 | 管理不到位 | ||||
调车长 | 其他 | ||||
车号员 | 干与工作无关的事 | ||||
货运员 | 打盹睡觉 | ||||
信号员 | 未按标作业 |
这给各个车站领导检查职工违纪情况提供了方便,能够有效制止职工违章违纪现象,对保证安全生产有极大意义[6]。
参考文献:
[1]谢毅,寇峻瑜,姜梅,余浩伟.中国铁路发展概况与技术展望[J].高速铁路技术,2020,11(01):11-16.
[2]周进. 铁路运输事故致因及安全风险分析方法研究[D].北京交通大学,2018.
[3]卢春房, 蔡超勋. 川藏铁路工程建设安全面临的挑战与对策[J]. 建设机械技术与管理, 2020, 33(2):7.
[4] 杨连报. 铁路事故故障文本大数据分析关键技术研究及应用[D].中国铁道科学研究院,2018.
[5]王飞球, 黄健陵, 符竞,等. 基于BP神经网络的跨既有线高速铁路桥梁施工安全风险评估[J]. 铁道科学与工程学报, 2019, 16(5):8.
[6]倪继娜, 张巍, 张栋. 大秦铁路煤炭运输需求分析与预测[J]. 铁道货运, 2020, 38(1):6.