祁强强

(瑞源国际资源投资有限公司，安徽 芜湖，241000)

0 引言

随着我国改革开放的不断深化，经济的快速发展，企业规模也在不断扩大[1]，形成宝武集团、海螺集团、奇瑞集团等越来越多的集团化公司。由于这些集团公司下属子公司数量多、行业跨度大、规模大小不等，导致其安全管理具有复杂程度高、安全管理评价标准不统一等难点[2]。近年，重特大事故的判例及安全相关法律的不断推进都验证了集团对其子公司的安全管理具有法定职责，因此做好集团公司安全管理评价是找出安全管理薄弱环节及客观评价各子公司安全绩效的重要途径。

国内外学者为解决上述安全评价难点进行了大量研究，邹树梁等[3]引入平衡计分卡原理研究某钢铁企业安全绩效考核体系；刘祖德等[4]在安全绩效评价中应用多元联系数集对分析方法；梅强等[5]通过融合解释结构模型与网络层次分析法对危化品物流的安全风险因素进行研究。

虽然上述研究为特定行业或单一企业的安全管理评价提供了相适应的评价方法，也建立了安全绩效考核模型或管理体系，但在集团公司安全管理评价的应用上还存在一些不足，较难解决集团公司评价过程中存在的多个评价层级与评价因子的权重分布问题，以及各评价对象逼近理想安全状态距离(优劣度)的排序问题。

由于层次分析法[6](The Analytic Hierarchy Process，AHP)可通过建立递阶层次评价结构将评价因子的重要度进行两两比较，得出整体的权重分布。而逼近理想解排序法[7](Technique for Order Preference by Similarity to Ideal Solution，TOPSIS)又可以在考虑各评价因子权重的基础上对评价对象进行优劣度的计算与排序。

因此，本文建立一种基于AHP-TOSIS的集团公司安全管理评价模型，为集团公司及各子公司的安全管理评价提供一种全面综合的评价方法。

1 AHP法与TOPSIS法

1.1 AHP计算方法

AHP是由美国运筹学家、匹兹堡大学教授T L Saaty于20世纪70年代创立的一种系统分析与决策的综合评价方法，它把复杂问题分解成多个组成因素及递阶层次结构，通过两两比较的方法确定决策方案相对重要度的总排序[8]，较合理地解决定性问题定量化的处理过程。

AHP的计算方法主要分3步：

第一步，建立层次结构。首先分析评价模型中各评价因子之间的关系，确定一级评价因子、二级评价因子，建立递阶层次评价结构。

第二步，构造判断矩阵。通过标度确定表[9](见表1)对各层的评价因子进行两两比较得出判断矩阵A。

表1 标度确定表Tab.1 Scale determination table

(1)

式中：

A—构造的n阶判断矩阵；

n—判断矩阵的阶数，为评价因子的个数；

aij—矩阵中每一个对应的元素，表示为与第j个因素相比，第i个因素的重要程度，其中(i,j=1，2，…，n)。

为验证判断矩阵的合理性，需计算一致性比例对其进行一致性检验[10]。

CR=CI/RI

(2)

式中：

CR—一致性比例；

CI—一致性指标；

RI—平均随机一致性指标，见表2。

(3)

式中：

λmax—判断矩阵的最大特征值。

表2 平均随机一致性指标Tab.2 Average random consistency index

如果CR<0.1，则认为判断矩阵的一致性可以接受；否则需要对判断矩阵进行修正。

第三步，计算权重。采用几何平均法计算权重，首先将判断矩阵的元素按照行相乘得到一个新的列向量，再将新向量的每个分量开n次方，最后对该列向量进行归一化即可得到权重向量，计算过程见式(4)。

(4)

式中：

ωi—权重向量；

akj—矩阵中每一个对应的元素，其中有k个对应元素，k=1,2,…,n。

1.2 TOPSIS计算方法

TOPSIS法可以充分利用原始数据的信息，将不同量纲、不同类型的评价因子的逼近理想解距离[11]进行排序，其结果能反映各评价对象之间的差距。

第一步，评价因子正向化。评价因子分为极大型、中间型、极小型、区间型等类型，代表其值优劣度的评价标准，因本文中只涉及2个极小型指标，其余均为极大型，故首先将极小型评价因子均转化为极大型。

极小型的正向化可按式(5)转化为极大型。

xij=max(Bij)-bij

(5)

式中：

Bij—极小型向量；

bij—极小型向量中的每一个数据，

xij—正向化后对应的每一个数据。

第二步，建立加权标准化矩阵。假设有m个要评价的对象，n个评价因子构成的正向化矩阵如下：

(6)

对其进行标准化得到标准化矩阵Y：

(7)

根据式(8)将Y的每一列数据乘以对应评价因子的总权重可得到加权准化矩阵Z：

(8)

式中：

zij—加权标准化后对应的每一个数据。

第三步，计算贴近度。首先定义最大值Z+与最小值Z-。

(9)

(10)

(11)

(12)

最终计算得出第i个评价对象的贴近度：

(13)

2 集团公司安全管理评价模型

2.1 模型建立

集团公司安全管理评价一般采用检查表法对其子公司的过程管理与年终安全绩效[12-13]完成情况进行打分评定，却较少关注各公司基本情况的差异性、安全管理的结果、主要负责人的履职情况等要素，具有一定的局限性。因此根据层次分析法理论，结合职业健康安全管理体系及《刑法》《安全生产法》等法律对安全的最新要求，建立由4个一级评价因子[14]与20个二级评价因子组成的集团公司安全管理评价模型，如图1。其中H15、H16为极小型评价因子，表示其值越小越好，建立矩阵前需按式(5)进行正向化，其余均为极大型。

图1 集团公司安全管理评价模型Fig.1 Safety management evaluation model of group company

基本情况中的4个评价因子反映了评价对象的规模大小、危险程度等基本情况，能够对其安全管理难度进行评价，此评价结果越高代表评价对象的管理难度越大，在该评价模型中可起到难度系数调节作用。

过程管理中的8个评价因子反映了评价对象的安全管理状态，同时也能对安全管理人员的日常安全工作内容及履职情况进行评价。

管理结果中的4个评价因子既包含安全文化满意度、安全技术成果(本质安全改善、安全专利/论文等)的正面结果，又包含行政处罚、事故损失的负面结果，可对安全管理的结果进行评价。

履职情况中的4个评价因子对主要负责人在安全生产投入、带队检查、组织应急演练、主持安全会议、参加安全活动等履职方面进行评价，并且能够强化主要负责人的安全意识，提高尽职履责在安全评价中的重要度。

2.2 权重计算

邀请3位市安全专家根据标度确定表分别对上述评价因子的重要度进行打分，并对有差异的打分结果进行研讨后形成最终结果。根据最终结果构造出一级评价因子判断矩阵G0及二级评价因子判断矩阵G1-G4，并利用Matlab软件分别进行一致性检验与权重计算，见表3。

可以得出以上判断矩阵均通过一致性检验，且一级评价因子的权重向量为：

ω0=[0.046 5,0.169 1,0.615 3,0.169 1]

各二级评价因子权重及权重总排序，见表4。

表3 判断矩阵一致性检验Tab.3 Consistency test of judgment matrix

2.3 贴近度计算

以某集团安全生产实际情况并结合安全相关标准，对模型中20个评价因子按由优到劣划分Ⅰ、Ⅱ、Ⅲ、Ⅳ 4个评价等级并进行赋值。

为方便实例应用的统一计算，最后2组K、L为某集团下属2家子公司的实例数据，赋值结果，见表5。

然后利用TOPSIS 法对各因子进行优劣度排序评价。

表5 集团公司安全管理评价分级标准Tab.5 Safety management evaluation classification standard of group company

以基本情况中的评价因子计算过程为例，由表5数据可得到由6个评价对象及4个评价因子组成的初始判断矩阵X1：

其中前4个行向量为赋值数据，后2个行向量为实例应用数据。首先根据式(7)将初始判断矩阵X1转为标准化矩阵Y1：

由式(13)可得贴近度向量S1。

S1=[0.776 0,0.537 7,0.269 9,0.001 6,0.009 6,0.518 4]

同理可得其余3个贴近度向量

S2=[0.898 8,0.620 6,0.311 7,0.000 0,0.707 2,0.613 7]

S3=[0.859 2,0.690 2,0.546 7,0.030 3,0.657 3,0.973 8]

S4=[1.000 0,0.681 7,0.367 6,0.000 0,0.557 9,0.835 0]

根据贴近度向量可得贴近度矩阵E：

2.4 综合评价

根据式(14)，一级评价因子的权重向量ω0乘以贴近度矩阵E即可得到集团公司安全管理评价结果向量F：

F=ω0×E

(14)

F=[0.885 8,0.669 9,0.463 8,0.018 7,0.618 8,0.868 3]

由结果向量可知，前4个结果数据为模型的评价等级划分值，后2个结果数据为实例的应用结果。因此，当采用集团公司安全管理评价模型对各子公司进行评价时，可参照表6对评价对象的评价结果进行等级划分。

表6 集团公司安全管理评价分级表Tab.6 Safety management evaluation classification of group company

3 实例应用

3.1 数据来源

为验证所建立的评价模型在实际工作中的应用情况，选取某集团采用检查表法对其子公司K和子公司L的年度安全考评数据，因考评数据仅涵盖了该模型管理过程及管理结果中的部分数据，还需对该模型中基本情况、履职情况等其余评价因子的数据进行收集统计。

经统计，公司K的20个评价因子数据向量为[45,10,0.001,0,88,82,98,98,88,95,93,95,85,0,0,0,88,88,92,85]，公司L的20个评价因子数据向量为[15 800,330,2.05,1,92,85,92,88,91,92,93,92,90,15,0,35,95,93,93,92]，各实例数据对应的评价因子，见表5。

3.2 应用结果

根据建立的集团公司安全管理评价模型计算方法对2组数据进行计算，由上述计算的贴近度矩阵E及安全管理评价结果向量F可得实例的应用结果，见表7。

表7 模型的实例应用得分情况Tab.7 The score of model application 单位：%

在管理过程方面，公司K得分要好于公司L，这是因为公司K主要以商贸、职能办公为主，其生产单元及现场作业环节较少，安全管理过程较为简单；而公司L为大型制造企业，安全管理过程复杂、管理难度较大，但其在管理结果和履职情况的评价均明显好于公司K。

当综合评价公司的基本情况、管理结果、履职情况等评价因子时，公司K的最终得分为0.618 8，评级为C级；公司L的最终得分为0.868 3，评级为B级，与实际安全管理状态较为相符。

因此，建立的集团公司安全管理评价模型可以考虑单一评价因子对评价结果的影响，能够更客观地对各子公司进行系统性安全评价，并且可以根据评价结果得出各公司安全管理特征与薄弱环节，为集团公司制定相应的整改提升措施提供可靠的依据。

4 结论

(1)通过耦合AHP与TOPSIS评价方法，可以解决集团公司在安全评价过程中多个评价层级的权重分布问题及多个评价因子的优劣排序问题。

(2)建立由4个一级评价因子与20个二级评价因子组成的集团公司安全管理评价模型，其层次更清晰、评价维度更全面，并通过了实例应用的验证。

(3)该模型既考虑了各评价对象基本情况的差异性对评价结果的影响，又能够对主要负责人及安全管理人员的履职情况进行评价，可帮助集团公司对子公司的安全绩效考核及排名时能够更好地决策。

(4)该模型可以根据评价结果得出评价对象的安全薄弱环节，为管理者制定相应的整改提升措施提供可靠的依据。