Comprehensive analysis method of key risk factors in the subway operation accident by complex network and accident data.

چکیده اصلی

With the continuous expansion of subway systems in China, the operational systems of subway have become increasingly complex, leading to a rise in risk factors. In the event of an accident, these risks can significantly impact the safety and health of individuals, and pose a direct threat to the reliability, social stability, and economic sustainability of subway systems. To effectively prevent the occurrence of operational accidents and ensure the sustainable development of subway systems, it is essential to explore the key risk factors of subway accidents through appropriate technological approaches. This study proposes an integrated approach combining the 24Model, association rule mining, and complex network theory to conduct in-depth mining and analysis of textual data from accident reports, thereby identifying risk factors and exploring the coupling relationships and importance among them. First, risk factors were extracted by analyzing 76 reports using the 24Model. Then, the Apriori algorithm was applied to derive association rules among the risk factors, based on which a risk factor network model was constructed. Finally, the robustness analysis and mutual information theory were employed to validate the model and identify the key risk factors. The results show that unclear safety responsibilities of employees, safety responsibility of managers, insufficient safety oversight of subcontractors, and lack of targeted content in safety training are the four most critical risk factors. The findings of this study provide important safety management decision-making support for the development of more sustainable subway operational systems.

ترجمه فارسی چکیده

با گسترش مداوم سیستم‌های مترو در چین، سیستم‌های عملیاتی مترو پیچیده‌تر شده و عوامل ریسک افزایش یافته است. این مطالعه یک رویکرد یکپارچه ترکیبی از مدل 24، استخراج قوانین همبستگی و نظریه شبکه پیچیده را برای تحلیل عمیق داده‌های متنی از گزارش‌های حادثه پیشنهاد می‌کند تا عوامل ریسک و روابط همبستگی آن‌ها شناسایی شود. ابتدا عوامل ریسک با تحلیل ۷۶ گزارش با استفاده از مدل ۲۴ استخراج شدند. سپس الگوریتم Apriori برای استخراج قوانین همبستگی بین عوامل ریسک و ساختار یک مدل شبکه عوامل ریسک به کار گرفته شد. در نهایت، تحلیل پایداری و نظریه اطلاعات متقابل برای اعتبارسنجی مدل و شناسایی عوامل ریسک کلیدی به کار رفت. نتایج نشان می‌دهد که عدم شفافیت مسئولیت‌های ایمنی کارکنان، مسئولیت ایمنی مدیران، نظارت ناکافی ایمنی پیمانکاران فرعی و فقدان محتوای هدفمند در آموزش ایمنی چهار عامل ریسک کلیدی هستند.

متن کامل اصلی