徐伟强 戴玉笠

(1.上海金茂建筑装饰有限公司北京装饰服务分公司，北京 100012；2.中国矿业大学(北京) 应急管理和安全工程学院，北京 100083)

0 引言

近年来，随着我国现代化进程的推进，各种基础设施以及综合建筑施工规模不断扩大，建筑行业已经成为我国国民经济发展的支柱产业。但建筑行业属于高危行业，具有露天高空作业多、施工过程多变、劳动密集、强度高等特点，安全事故频发。据文献统计，目前我国建筑施工安全形势依然严峻，事故起数和死亡人数仍居高不下。从事故预防角度看，采取科学方法精准预测建筑安全事故和死亡人数的发展趋势，有助于建筑企业有效开展安全预警防控工作。

目前，国内外学者对事故预测主要采用数理统计或因果关系分析的方法，比如灰色预测模型、马尔可夫预测模型、贝叶斯网络预测、神经网络预测等。其中，考虑到建筑安全事故数据的灰色性以及影响因素的复杂多边性特点，一些专家学者多采用灰色理论加以分析预测，然而，由于原始序列一般具有波动性，传统灰色预测方法不能对原始序列中波动性数据进行处理，且未考虑基于历史数据预测未来的时效性，灰色预测模型对于随机波动性较大数据序列拟合度较差，导致预测精度较低。因此，本文结合原始序列数据更新的思想，提出一种建筑安全事故及死亡人数新维灰色预测方法，以我国2011-2019年建筑业事故为例，分析预测行业安全事故起数和死亡人数的变化关系，验证预测模型的精确性，旨在为我国建筑行业安全预警与防控提供借鉴经验，进一步提高安全生产工作水平。

1 新维灰色GM(1，1)模型的构建

建筑施工现场影响因素较多，安全事故的发生在诸多因素的干扰下具有不确定性，同时考虑到事故发生起数和死亡人数数据不充足，故可将建筑安全事故的发生过程看作一个灰色系统，事故发生起数和死亡人数视为灰色量，建立灰色GM(1，1)模型进行分析预测。

1.1 灰色GM(1，1)模型

灰色GM(1，1)建模步骤如下：

(1)收集灰色量指标历史数据，设研究指标有

n

个顺序的原始节点数据，可以确定原始序列：

x

=(

x

(1),

x

(2),…，

x

(

n

))

(1)

(2)验证建模的有效性，对原始序列数据进行级别检验：

(2)

式中：

t

—指级别检验项的序号。

x

=(

x

(1),

x

(2),…，

x

(

n

))

(3)

(4)计算序列

x

的邻值生成序列

z

(

k

)：

z

(

k

)=

ax

(

k

)+(1-

a

)

x

(4)

(5)建立GM(1,1)的灰微分方程对应的白微分方程：

(5)

式中：

a

—发展系数；

b

—灰作用量。(6)构造数据向量Y、B，运用最小二乘估计白微分方程的带估参数

a

，

b

，即：

(6)

式中：

(7)

(7)求解得GM(1,1)预测模型为：

k

=1,2,…,

n

-1

(8)

(9)

1.2 新维灰色GM(1,1)模型

新维灰色GM(1,1)模型计算过程与灰色预测模型相同，不同之处在于新维灰色GM(1,1)模型能够实现原始序列的不断更新，进而在一定程度减小原始序列的波动性，提高预测精度。具体预测步骤如下：

(3)运用组成的新序列进行灰色GM(1,1)预测计算，得到下一时间节点预测值，再次代入原始序列中进行替换。依次计算，不断更新样本序列，直至完成预测目标为止。

1.3 模型精度检验

为验证新维灰色GM(1,1)模型的预测精度，本文选取相对误差ε(

k

)作为模型精度检验的标准，ε(

k

)越小，表示模型预测精度越高，计算公式如下：

(10)

2 实例应用

依据住建部发布的我国2011-2019年房屋市政工程安全生产事故数据统计，选取事故起数和死亡人数2个统计指标进行分析预测，见表1。

表1 全国建筑安全事故统计Tab.1 National construction safety accident statistics

2.1 灰色GM(1,1)模型预测结果

由表1确定原始序列为：

X

=[589，487，528，522，520，634，692，734，773]和

X

=[738，624，574，648，604，735，807，840，904]。经级别检验得，原始序列λ(

k

)∈(0.820 2，1.209 4)、λ(

k

'∈(0.821 8,1.182 7)，级别范围均为(0.818 7,1.221 4)，满足级别检验，可进行下一步建模。累加生成新序列为

x

=(589，1 078，1 604，2 126，2 646，3 280，3 972，4 706，5 479)，

x

=(738，1 362，1 936，2 584，3 188，3 923，4 730，5 570，6 474)，运用Matlab编程求得参数向量：

进一步计算得到建筑安全事故起数和死亡人数的灰色GM(1,1)模型为：

计算得到我国2011-2019年建筑安全事故起数和死亡人数预测值，见表2。

2.2 新维灰色模型预测结果

根据新维灰色GM(1,1)模型预测原理，结合灰色GM(1,1)模型预测结果，可以得出2011-2019年我国建筑安全事故起数和死亡人数新维灰色GM(1,1)模型预测值，见表2。

2.3 数据分析

下图为2种模型预测结果曲线，灰色GM(1,1)模型的预测数据曲线比较光滑，反映出短期内事故发生起数和死亡人数的变化趋势；而新维灰色GM(1,1)模型预测结果曲线与实际值较为吻合，模型的拟合度较好。结合表2数据，新维灰色GM(1,1)模型建筑安全事故起数和死亡人数预测值平均相对误差绝对值分别为2.55%、2.10%，灰色GM(1,1)模型预测值的平均相对误差绝对值分别为3.42%、3.79%，新维灰色GM(1,1)模型预测平均相对误差更小，整体来看，新维灰色GM(1,1)模型预测效果较佳，精度更高。

表2 灰色GM(1,1)预测结果Tab.2 The results of Gray GM(1,1) prediction

从下图可以看出，建筑安全事故起数与死亡人数预测值波动性基本一致，反映出两者之间具有协同关系，说明发生的建筑安全事故中普遍为致死性事故。每发生一起建筑安全事故，造成人员死亡的可能性极大，事故后果非常严重，相关单位部门应加强现场安全管理，做好风险防控工作，严格避免安全事故的发生。

图 2种模型预测结果曲线Fig. Curve of prediction results of two models

2.4 新维灰色模型预测应用

新维灰色预测模型能够有效地预测事故以及死亡人数未来一段时间内的发展趋势，本文在以上计算结果的基础上对我国2020-2022年建筑安全生产事故起数和死亡人数做出预测，见表3。

表3 全国建筑安全生产事故起数和死亡人数预测值Tab.3 Prediction of the number of accidents and deaths in construction safety production across the country

根据表3可知，建筑安全事故在未来几年呈现出不断增长的趋势，虽然现阶段建筑施工项目在不断增长，但也表明我国建筑安全管理水平仍有待提升，各建筑施工、监管部门应不断完善现场安全管理制度，对诱发事故的各种影响因素严加管控，将建筑安全事故与死亡人数控制在极低的风险水平之内。

3 结论

(1)新维灰色预测模型通过不断更新原始数据序列保证数据空间的时效性，预测误差小且精度优于灰色GM(1,1)预测模型，能够为建筑安全事故发生起数和死亡人数预测提供借鉴经验。

(2)建筑安全事故发生起数与死亡人数的预测值的波动性比较一致，说明建筑安全事故普遍为致死性事故，事故后果非常严重，应严格避免事故的发生。

(3)结合2020-2022年建筑安全事故发生起数与死亡人数预测值以及历年事故数据资料可知，事故发生起数和死亡人数呈现增长趋势，各生产、监管部门要抓好现场安全管理工作，严格控制事故安全隐患，不断提高建筑行业安全生产水平。