近年来，随着我国安全生产管理工作的不断深化，地铁施工安全管理水平逐步提高，事故发生概率也逐渐降低[1]。然而，地铁施工多处于复杂多变的地下空间中，环境和施工技术的复杂性导致施工事故仍难以避免。传统的安全管理是以物的不安全状态和人的不安全行为作为隐患的被动式管理模式，大多作用于事故发生的中后期，容易引发地铁施工中的“黑天鹅”事件反弹，导致巨大的人员伤亡或者经济损失。如2018年2月广东佛山地铁2号线透水和坍塌事故造成11人死亡，其事故源头是一系列组织管理行为和环境因素的相互作用，因此组织和管理因素也与事故的发生密切相关[2]。国务院安全委员会和应急管理部强调，针对容易发生重大事故的行业领域，应将安全管理措施前移，从事故源头着手，以预防和化解重大安全风险。因此，从管理和组织这一根源性视角切入，探究地铁施工事故的深层次致因和路径，对于科学制定地铁施工安全制度和扭转事故态势具有十分重要的意义。目前，国内外地铁安全管理研究正经历以工程技术为中心向以人、组织和管理为中心的转变[3]，取得了丰富的成果。王军武等[4]结合人为因素分析与分类系统(human factors analysis and classification system, HFACS)和贝叶斯网络(Bayesian networks, BN)，基于问卷数据推理地铁施工现场发生高空坠落事故的可能性，并识别关键致事故致因。WANG等[3]基于不同利益相关者，通过问卷数据构建复杂网络并分析地铁事故致因的关联关系。然而，通过问卷调查和专家访谈收集的经验数据，容易存在主观性问题[5]。地铁施工事故报告资料记录了事故详细的经过及原因，大量调查报告能够构成一个有价值的知识数据库[6]，包含更具客观性的数据信息，为全面地挖掘地铁施工事故致因提供了有效的数据驱动路径。文艳芳等[7]基于压力-状态-响应模型和区间层次分析法(pressure-state-response, improved analytic hierarchy process, PSR-IAHP)对识别的地铁施工坍塌事故致因进行耦合机理分析。ZHOU等[8]结合坍塌及其衍生事故的数据提出了一种基于BN的事故风险建模方法，以确定倒塌事故中的关键致因路径。FU等[9]根据收集的126起地铁深基坑事故识别出事故致因，并基于关联规则挖掘和加权网络理论，从利益相关者视角分析了事故致因之间的相互作用。然而，已有研究大多针对单一事故类型展开分析，较少从事故类型角度考虑地铁施工事故致因和路径的差异化分析，进而导致制定的事故预防措施过于泛化，难以转化为精准的决策信息。因此，本文以2003—2023年我国官方发布的213份地铁施工事故调查报告作为数据来源，借助改进的HFACS模型，从人员、设备、环境、管理4个方面识别地铁施工事故致因。随后，以关联规则Apriori算法作为数据驱动方法，挖掘致因的关联关系，利用机器学习最大期望算法(expectation-maximization algorithm, EM)对事故数据进行参数学习，进而构建地铁施工事故有向贝叶斯网络模型。通过贝叶斯反向推理和敏感性分析功能，探究不同地铁施工事故类型的事故路径、关键致因及其差异化分析，有效识别源头致因，并提出相应的“断链”管控措施。
1 数据来源与研究方法
1.1 数据来源
通过国家应急管理部、各省市应急管理局等官方渠道共收集到我国(不含港澳台地区)2003—2023年期间的213份地铁施工事故调查报告。各类型地铁施工事故占比分布如图1所示，包括坍塌、高空坠落、车辆伤害、物体打击、机械伤害和触电6种事故类型。
1.2 研究方法
1.2.1 地铁施工事故致因识别
在事故分析领域，事故致因模型作为常见的分析方法，具有定义明确、致因识别全面、逻辑结构清晰等优势[10]，主要包括HFACS、24model、AcciMap等。其中，HFACS模型由SHAPPELL等[11]于2000年提出，最初用于航空事故领域，后被广泛应用于海上交通[12]、水利工程[13]、地铁施工[4]等领域的事故分析中。原始HFACS模型涵盖了人员、设备、环境和管理4个方面的事故致因，并且从组织影响、不安全监督、不安全行为前提条件和不安全行为因果层级关系定义了自上而下的事故演化路径。利用这一模型还可以对大量事故数据进行分析[14]，并与贝叶斯等数学模型进行组合分析，揭示事故致因路径。
原始HFACS模型提供了事故分析的框架，但并未将所有致因类别列出。根据各实践领域的特点，在应用过程中会衍生出不同类别和致因分类。因此，为确保HFACS模型在地铁施工领域的适用性，本文首先查阅事故调查报告，识别事故致因；随后根据原始HFACS模型的定义和相关文献[4, 18]对事故致因进行分层级分类别汇总和验证；最后将同一类别的定义相同的事故致因进行合并，基于合并结果提出改进的HFACS模型。具体而言：1) 将第4层级“不安全行为层”中的“偶然违规”与“习惯性违规”合并为“违规操作”类别。这是因为在地铁施工过程中，“偶然性违规”具有随机性和不可抗力性，难以进行有效预防和区分[17]。2) 原模型第3层级“不安全行为前提条件层”中的“人员因素”类别融合了“资源管理”和“个人准备”两个方面的内容。其中“资源管理”是指个人在执行任务或处理问题时，如何有效地利用任务管理、团队协作、决策制定等资源。而在地铁施工过程中，施工活动需要施工班组配合完成，事故的发生往往与班组的管理有关[19]，因此将“资源管理”修改为“队伍管理”，单独划分为一个类别。此外，原模型中的“个人准备”是指个体在执行任务或处理问题之前所采取的准备措施和行为。在地铁施工中，工人施工前是否做好了安全准备，会对事故的发生产生间接影响，因此将“个人准备”也单独划分为一个类别。最终构建的改进HFACS模型包含4个层级、16个类别及38项事故致因，如表1所示，Cij表示在改进HFACS模型中第i层级的第j项事故致因，各层级的事故致因分类说明如下。
| 层级 | 致因类别 | 事故致因 |
|---|---|---|
| 组织影响层 | 组织氛围 | 安全制度执行不到位/C11[15]，安全教育不到位/C12[16]，安全生产观念淡薄/C13[18] |
| 资源管理 | 企业施工资质不齐全/C14[18]，资源管理不到位/C15[4, 16, 18] | |
| 组织过程 | 管理人员未履行安全职责/C16[15, 18]，未严格审查施工方案/C17[16] | |
| 不安全监督层 | 监督不到位 | 缺乏有效的监督和指导/C21[4] |
| 不恰当的计划 | 施工方案编制不到位/C22[16] | |
| 监督违规 | 进行不合规定的施工任务/C23[16] | |
| 未及时纠正问题 | 隐患排查和防控不到位/C24[18]，施工监测不到位/C25[17] | |
| 不安全行为前提条件 | 操作者的状态 | 安全意识薄弱/C31[11, 16-17]，技术水平不足/C32[4]，作业精力不集中/C33[16]，风险研判不足/C34[16, 18] |
| 个人准备 | 无资质上岗/C35[4, 18]，未佩戴防护用品/C36[18] | |
| 物理环境 | 水文地质隐患/C37[16]，作业环境恶劣/C38[15-16]，恶劣天气/C39[4, 18]，土体稳定性差/C310 | |
| 技术环境 | 设备缺少保护设施/C311[15-16]，设备或材料处于不安全状态/C312[18]，地下管线影响/C313[15]，未设置警戒线和安全标志/C314[18]，外部荷载过大/C315，无安全防护措施或缺陷/C316[4, 18]，设备周围存在其他作业区域/C317[17] | |
| 队伍管理 | 信息传递不到位/C318[18]，无人指挥/C319[18] | |
| 不安全行为 | 技能错误 | 操作失误/C41[15-16, 18]，忽视作业细节/C42[15-16, 18] |
| 认知错误 | 视觉错误/C43[18]，信息理解错误/C44[18] | |
| 决策错误 | 盲目作业/C45[15-16] | |
| 违规操作 | 未按施工方案施工/C46[15]，违规作业/C47[15, 17] |
1) 组织影响层：组织氛围在企业内部通过各种方式影响人或物的状态和行为，并对事故产生影响[20]，因此将事故调查报告识别的致因C11(安全制度执行不到位)、C12(安全教育不到位)，C13(安全生产观念淡薄)归纳为“组织氛围”类别。设备、人员和组织资质的配置和管理会直接影响企业安全生产的顺利进行[16]，因此将识别的C14(企业资质不齐全)和C15(资源管理不到位)归纳为“资源管理”类别。组织过程管理可以通过管理人员监督与审核、沟通与反馈等程序有效的促使企业安全运作，因此将C16(管理人员未履行安全职责)和C17(未严格审查施工方案)归纳为“组织过程”类别。
2) 不安全监督层：管理者的监督和指导行为可能会使整个施工过程存在较高的安全风险[17]，将识别的C21(缺乏有效的监督和指导)归纳为“监督不到位”类别。同时，现场管理者的违章行为是安全事故发生的直接源头[16]，将识别的C23(进行不合规定的施工任务)归纳为“监督违规”类别。考虑到地铁施工及其事故的自身特点，会出现施工组织设计不合理问题，将识别的C22(施工方案编制不到位)归纳为“不恰当的计划”类别。此外，地铁施工环境特殊，施工过程中经常遇到复杂多变地层，设备参数设计偏低或偏高和人的不安全行为等隐患[15]，因此将识别的C24(隐患排查和防控不到位)和C25(施工监测不到位)归纳为“未及时纠正问题”类别。
3) 不安全行为前提条件层：工人在精神或身体状态不佳时容易发生不安全的行为[4]，因此将识别的事故致因C31至C34归纳为“操作者的状态”类别。同时，工人在执行任务之前所采取的保护措施和准备能够有效预防事故[11]，将识别的致因C35(无资质上岗)和C36(未佩戴劳动防护用品)归纳为“个人准备”类别。地铁施工处于地下空间中，其周边环境会影响到人的不安全行为和物的不安全状态[16]，影响事故的发生。识别的C37至C310事故致因属于地质、天气等类别，将其归纳为“物理环境”。技术环境是指影响事故发生的各种技术、设备和工具的性能和布置，识别的C311～C317属于机械设备等技术类别，将其归纳为“技术环境”。地铁施工项目，涉及大量工人相互合作，有效的沟通协调显得尤为重要[19]，将识别的班组之间C318(信息传递不到位)和C319(无人指挥)归纳为“队伍管理”。
4) 不安全行为层：工人的不安全行为包括错误和违规两方面，其中错误包含技能错误、决策错误和感知错误。技能错误可分为操作技术不精和遗漏了关键步骤2个方面[18]，因此将识别的C41(操作失误)和C42(忽略作业细节)归纳为“技能错误”类别。认知错误主要是指认识与实际发生不一致和风险感知错误[16]，因此将识别的C43(视觉错误)和C44(信息理解错误)归纳为“认知错误”类别。决策错误指工人在对周围环境没有进行确认时，盲目选择错误的方式处理问题[15]，将识别的C45(盲目作业)归纳为“决策错误”类别。违规操作通常指工人故意违反安全规定或施工方案的不安全行为，因此将识别的C46(未按施工方案施工)和C47(违规作业)归纳为“违规操作”类别，后者指的是违反安全规定，如在不服从项目安全管理规定，在工地内随意走动。
1.2.2 数据预处理
结合改进HFACS模型，通过0-1编码的方式将地铁施工事故报告中的事故致因和事故类型等从文本形式转化成数值形式。若某项事故致因在文本报告中出现，则记为1，否则记为0。此外，将6种事故类型作为目标变量，包含坍塌、高空坠落、车辆伤害、物体打击、机械伤害和触电事故，分别对其编码为A1～A6。若事故报告属于某类事故类型，则记为1，否则记为0。
1.2.3 基于关联规则的地铁施工事故贝叶斯网络模型分析
贝叶斯网络(BN)模型是一种基于概率图模型描述变量之间依赖关系的工具[21]，主要由节点、有向边和条件概率表组成。其中节点代表各事故类型和致因，有向边为节点之间的关联关系，条件概率则定义了节点之间的传递概率。BN模型不仅能够利用条件概率分析各致因对事故发生概率影响的差异，还能够通过后验概率和敏感性分析等反向推理功能对路径和致因进行全面评估[22]。凭借着清晰的可视化、数据处理高效、模型精度高的优势[10] ，基于机器学习的BN模型已经成为安全管理领域分析风险不确定性问题的高效方法，适用于地铁施工事故分析场景。其模型构建与分析的主要步骤如下。
1) 确定网络结构。BN结构的构建方法包括基于专家知识经验和基于数据2类。由于BN在传统网络模型的基础上融入了概率论，构建时需要设置大量的网络参数，基于专家经验的评分信息可能是主观、模糊的，专家很难在微观层面上以概率形式清楚地提供多个参数[17]。根据人工智能和机器学习领域的已有研究，K2[12]、树增强朴素贝叶斯(Tree Augmented Naïve, TAN)[18]、关联规则[10]等算法有助于从数据中学习贝叶斯网络。关联规则作为一种重要的数据挖掘技术，能够探索数据项集之间的潜在关联关系。通过关联规则挖掘分析事故致因之间的关联关系是目前最受关注的研究方向之一[9-10]。其中Apriori算法是挖掘数据关联规则的经典算法[25]，这一算法中事故致因之间的关联规则强弱主要通过“支持度”，“置信度”和“提升度”3个指标来体现。其挖掘过程首先从大量数据中找出频繁数据项集，然后从频繁数据项集中产生关联规则。因此，本文利用关联规则Apriori算法挖掘数据间的关联关系实现传统安全管理的决策创新，建立BN模型。
2) BN参数学习。参数学习的目的是确定节点变量的先验概率和条件概率分布[22]。目前，常见的网络参数确定方法包括专家知识经验法和样本数据参数学习法，前者适用于网络节点较少的情景，后者适用于网络节点较多的情景[26]。期望最大化算法(EM)作为主要的样本数据参数学习算法之一，参数估计能够更快地收敛，具有较强的鲁棒性[12]，因此本文采用EM算法从事故样本数据中训练网络参数。
3) BN模型有效性检验。为了验证BN模型的有效性和预测性，需要对模型进行检验。常见的检验方法有测试法、留一法和K折交叉验证。在实践中，针对多次重复检验，仅测试法的检验结果不会发生变化[12]。因此，本文采用测试法对节点精度进行检验，当模型的所有节点预测精度的平均值≥80%时，建立的网络模型具有较好的参考性[12]。此外，采用机器学习常用的接受者操作特征曲线(Receiver Operating Characteristic Curve, ROC)进行辅助检验。
4) BN模型致因路径分析。在已知网络模型目标节点的情况下，通过BN反向推理计算其他节点的后验概率识别事故致因路径[22]。首先，分别将事故类型节点(A1～A6)的状态属性设为100%发生，更新贝叶斯网络，得到对事故有影响的其他致因(父节点)的后验概率分布，同时计算变异率(Ratio of Variation, ROV)，ROV能够通过某个父节点Xi的先验概率Pa和后验概率Pb，量化Xi的概率增长，ROV值的大小用符号Erov表示，通过比较各个节点的Erov能够推断出致因路径上最可能发生的致因。设置Erov最大的节点状态属性发生概率为100%，继续逆推得到可能的后续节点。最终获取不同类型事故的关键致因路径。
5) BN关键事故致因分析。敏感性分析是安全风险分析和决策的重要依据，主要通过分析各致因的先验概率的微小变化对后验概率的影响来实现。因此本文最后通过敏感性分析，有效识别各类型事故致因路径上的关键致因，为制定相应的“断链”管控措施提供依据。
1.3 研究框架
本文的研究框架如图2所示。首先，以收集的地铁施工调查报告为证据导向，以改进HFACS模型作为致因识别辅助工具，从事故调查报告中识别人-机-管-环4个方面的致因，将文本型数据转化为数值型数据。其次，利用关联规则Apriori算法挖掘致因之间的关联关系，确定BN模型结构。然后，通过EM算法计算节点之间的条件概率和先验概率，并根据贝叶斯网络反向推理功能识别各事故类型的关键致因路径，通过敏感性分析识别路径上的关键事故致因。最后，根据确定的源头致因提出相应的的“断链”管控措施。
2 地铁施工事故致因差异化分析
2.1 关联规则挖掘
本文将经过数据预处理的事故数据集导入IBM SPASS Modeler 18.0软件，通过关联规则Apriori算法获取致因之间的关联规则。最小支持度和最小置信度的阈值设定对于关联规则的数量产生重要影响。一些规则因不满足其设定的而无法显现，因此需要不断调整这2个阈值，直至出现的规则能够全面覆盖致因之间的关系。最终确定最小支持度为0.1，最小置信度为0.2，最小提升度为1.0的阈值环境下进行关联规则挖掘，共计得到495条关联规则。
2.1.1 高支持度关联规则分析
考虑到较多关联规则都满足支持度阈值，仅展示支持度排名前5的关联规则。由表2可知，C21(缺乏有效的监督和指导)分别与C36(未佩戴防护用品)、C32(技术水平不足)、C31(安全意识薄弱)存在高频率致因的共现关系；C16(管理人员未履行安全职责)分别与C24(隐患排查和防控不到位)、C21(缺乏有效的监督和指导)存在高频率致因的共现关系。这些管理和人员方面事故致因的频繁出现，导致地铁施工过程处于风险状态，最终导致事故的发生。
| 高支持度关联规则 | 高置信度关联规则 | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| 序号 | 前项 | 后项 | 支持度/% | 置信度/% | 提升度 | 序号 | 前项 | 后项 | 支持度/% | 置信度/% | 提升度 |
| 1 | C21 | C36 | 79.343 | 20.710 | 1.131 | 1 | C23 | C35 | 14.085 | 100.00 | 2.803 |
| 2 | C21 | C32 | 79.343 | 34.911 | 1.110 | 2 | C17 | C22 | 20.188 | 97.674 | 3.411 |
| 3 | C21 | C31 | 79.343 | 54.438 | 1.104 | 3 | C12 | C31 | 53.521 | 90.351 | 1.833 |
| 4 | C16 | C24 | 61.033 | 60.000 | 1.039 | 4 | C15 | C311 | 11.268 | 87.500 | 1.827 |
| 5 | C16 | C21 | 61.033 | 82.308 | 1.037 | 5 | C25 | C34 | 11.737 | 84.000 | 2.294 |
2.1.2 高置信度关联规则分析
根据表2，当出现C23(进行不合规定的施工任务)时易导致C35(无资质上岗)和C17(未严格审查施工方案)，有97.674%的可能导致C22(施工方案编制不到位)和C12(安全教育不到位)，有90.351%的可能性导致C31(安全意识薄弱)和C15(资源管理不到位)，有87.5%的可能导致C311(设备缺少保护设施)和C25(施工监测不到位)，有84%的可能导致C34(风险研判不足)。上述致因之间存在较高的关联程度，前项致因发生容易导致后项致因发生，从而引发连锁反应。
2.2 地铁施工事故贝叶斯网络分析
2.2.1 建立BN模型
基于改进HFACS模型识别和分类的事故致因体系，其具备一定自上而下的层级关系。在此基础上运用关联规则Apriori算法识别各层事故致因之间的关联规则，从而确定具体事故致因之间的关系指向。由于采用数据挖掘获得的网络结构中存在冗余的边，需根据专家和案例经验剔除不符合实际逻辑的关联规则修订网络结构，实现专家经验与样本数据的结合。组织氛围的实质为施工企业安全工作的指导思想，也称为安全文化、价值观、指导思想等，在企业内部通过各种渠道和方式影响组织和员工的行为[20]，是事故发生的根本原因。因此本文将“组织氛围”类别的事故致因作为网络起点，形成以“事故类型”为目标节点的BN有向拓扑图，并通过Genie 4.0 Academic软件构建可视化网络模型。最后利用EM算法进行贝叶斯网络的参数学习，得到各节点的条件概率分布，如图3所示。
2.2.2 BN模型结果验证
以各事故致因节点或事故类型节点为检测节点，借助GENIE软件对事故数据集进行测试法验证，结果显示此模型的所有节点预测精度平均值达到为86.2%(＞80%)，表明该模型对于节点预测有较好的准确性和参考性。为进一步验证所构建的贝叶斯网络对各类型事故的诊断效果，本文采用ROC曲线对各事故类型节点进行诊断。ROC曲线通过其下的面积(Area Under the Curve, AUC)来衡量模型的性能表现，AUC值越大，代表模型性能越佳，AUC值落在0.85到0.95范围内的模型具有出色的性能[27]。如图4(a)和图4(b)所示，事故类型节点A1(坍塌)和A2(高空坠落)的AUC值分别为0.953和0.854，表明模型对于预测该事故类型有较高的准确性。其余事故类型节点A3(车辆伤害)，A4(物体打击)，A5(机械伤害)和A6(触电)的AUC值为0.787，0.759，0.757和0.782，其预测性能一般。可能的原因一是样本量过少[18]，二是事故致因之间复杂的关系[10]，不可避免地导致了AUC值偏低，在今后的研究中需收集更多的数据对模型不断修正。
2.2.3 BN致因路径识别
分别将目标节点事故类型(A1～A6)发生概率设为100%，利用贝叶斯反向推理功能，推理出每个事故致因(父节点)发生的后验概率。通过计算和比较各事故致因的Erov，识别出关键事故致因。根据轨迹交叉理论[22]，从人的不安全行为和物的不安全状态角度出发，推断导致各类型事故最可能发生的两条路径。以坍塌事故为例，假设已发生坍塌(A1=100%)情况下，共推理出2条事故路径。如表3所示，直接导致坍塌的事故致因有“不安全行为层”的C46(未按施工方案施工)和C45(盲目作业)，这2项事故致因属于人的不安全行为；“不安全行为前提条件层”的C316(无安全防护措施或缺陷)，C312(设备或材料处于不安全状态)和C310(土体稳定性差)，这3项事故致因属于物的不安全状态。从人的不安全行为出发，将Erov最大的节点C46发生状态设置为100%(即为父节点)。影响C46的有“不安全行为前提条件层”的3个子节点，其中C32(技术水平不足)的Erov最大，为0.42，将其发生状态设置为100%。继续逆推得到其他层级最有可能发生的节点，最终得到人的不安全行为致因路径：C11(安全制度执行不到位)→C15(资源管理不到位)→C21(缺乏有效的监督和指导)→C32(技术水平不足)→C46(未按施工方案施工)→A1(坍塌)。同理，从物的不安全行为出发，直接导致坍塌的事故致因C310的Erov最大，为1.26，将其发生状态设置为100%。继续逆推得到其他层级最有可能发生的节点，最终得到物的不安全状态致因路径：C13(安全生产观念淡薄)→C14(企业施工资质不齐全)→C25(施工监测不到位)→C37(水文地质隐患)→C310(土体稳定性差)→A1(坍塌)。通过这一推理流程，最终得到地铁施工坍塌事故的致因路径，如图5(a)所示，其他事故类型的事故致因路径分别如图5(b)，图5(c)，图5(d)，图5(e)，图5(f)所示。
| 人的不安全行为 | 物的不安全状态 | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 子节点 | 父节点 | 后验概率/% | 先验概率/% | Erov | 子节点 | 父节点 | 后验概率/% | 先验概率/% | Erov |
| A1 | C46 | 42 | 24 | 0.75 | A1 | C316 | 30 | 30 | 0.00 |
| C45 | 36 | 30 | 0.20 | C312 | 53 | 44 | 0.2 | ||
| C46 | C35 | 10 | 15 | -0.33 | C310 | 52 | 23 | 1.26 | |
| C31 | 75 | 54 | 0.39 | C310 | C37 | 54 | 16 | 2.74 | |
| C32 | 44 | 31 | 0.42 | C315 | 34 | 13 | 1.62 | ||
| C32 | C21 | 88 | 79 | 0.11 | C37 | C39 | 29 | 13 | 1.23 |
| C21 | C16 | 63 | 61 | 0.03 | C313 | 26 | 8 | 2.25 | |
| C15 | 56 | 48 | 0.17 | C25 | 55 | 12 | 3.58 | ||
| C15 | C11 | 28 | 22 | 0.27 | C25 | C14 | 19 | 10 | 0.90 |
| C11 | — | — | — | — | C16 | 32 | 61 | -0.48 | |
| — | — | — | — | — | C14 | C13 | 90 | 30 | 2 |
| — | — | — | — | — | C13 | — | — | — | — |
| C11→C15→C21→C32→C46→A1 | C13→C14→C25→C37→C310→A1 | ||||||||
2.2.4 BN事故致因敏感性分析
利用GENIE软件中的敏感性分析功能，分别将事故类型节点设置为目标变量，可得各节点敏感性分析结果(表4)，敏感值越大代表事故致因对事故的影响程度越高[28]。本文仅展示各类型事故中敏感值排名前五的致因。由表4可知，坍塌事故受到众多事故致因影响，其发生机理复杂。其中“不安全行为前提条件层”中C310(土体稳定性差)，C37(水文地质隐患)和C315(外部荷载过大)是影响A1(坍塌)的关键事故致因，由此可见坍塌事故主要是受到物理环境类别的影响。“不安全行为前提条件层”中C36(未佩戴防护用品)，C31(安全意识薄弱)和“不安全行为层”中C47(违规作业)是影响A2(高空坠落)的关键事故致因，表明高空坠落事故与操作者状态、个人准备和工人的违规操作类别密切相关。“不安全行为层”中C43(视觉错误)，以及“不安全行为前提条件层”中C311(设备缺少保护设施)和C319(无人指挥)是影响A3(车辆伤害)的关键事故致因，说明车辆伤害与工人的认知错误、技术环境和队伍管理类别关联性较高。“不安全行为前提条件层”中C314(未设置警戒线与安全标志)，C312(设备或材料处于不安全状态)和“不安全监督层”C24(隐患排查和防控不到位)是影响A4(物体打击)的关键事故致因，表明物体打击事故与未及时发现问题、技术环境类别密切关联。“不安全行为层”中C44(信息理解错误)和C43(视觉错误)及“不安全行为前提条件层”中C317(设备周围存在其他作业区域)是影响A5(机械伤害)的关键事故致因，主要表现在技术环境和认知错误类别上。“不安全行为前提条件层”中C36(未佩戴防护用品)，C311(设备无保护设施)和“不安全行为层”C42(忽略作业细节)是影响A6(触电)的关键事故致因，与技能错误、技术环境类别相关。因此，不同类型的地铁施工事故的事故致因存在差异，需采取不同的管控措施进行预防。
| 事故类型 | 事故致因 | 敏感值 | 事故类型 | 事故致因 | 敏感值 | 事故类型 | 事故致因 | 敏感值 |
|---|---|---|---|---|---|---|---|---|
| A1 | C310 | 0.433 | A3 | C43 | 0.273 | A5 | C44 | 0.225 |
| C37 | 0.287 | C319 | 0.185 | C317 | 0.18 | |||
| C315 | 0.158 | C311 | 0.09 | C43 | 0.14 | |||
| C25 | 0.145 | C38 | 0.061 | C318 | 0.108 | |||
| C39 | 0.106 | C15 | 0.027 | C319 | 0.09 | |||
| A2 | C36 | 0.186 | A4 | C314 | 0.11 | A6 | C36 | 0.1 |
| C31 | 0.096 | C312 | 0.044 | C311 | 0.049 | |||
| C47 | 0.094 | C24 | 0.034 | C42 | 0.034 | |||
| C12 | 0.058 | C41 | 0.033 | C47 | 0.029 | |||
| C316 | 0.042 | C39 | 0.029 | C31 | 0.018 |
3 地铁施工事故“断链”管控措施
将贝叶斯反向推理功能识别的关键致因路径和敏感性分析识别的关键事故致因相结合，如图6所示(标记为绿色的为关键事故致因)。结合改进HFACS模型和事故类别，对源头致因进行预防控制，可将安全管控措施时间点前移，提出针对性更强的事故管控措施，使事故防控工作达到“事半功倍”的效果。
1) 坍塌事故：如图6(a)所示，在关键路径上，其源头致因是“不安全监督层”的C25(施工监测不到位)和“不安全行为前提条件层”的C32(技术水平不足)。为防止事故态势恶化，建设方应保证和承诺第3方监测单位资质齐全，进行符合资质的施工监测活动，及时反馈和保证地质监测的准确性和有效性。施工企业应建立完备的技能培训制度，加强现场监督管理和安全技术交底，确保工人的技术水平达标，严格按照施工方案进行施工。
2) 高空坠落事故：如图6(b)所示，“组织影响层”的C17(未严格审查施工方案)和C11(安全制度执行不到位)为关键路径上的源头致因。组织影响层是事故萌生的起点，加强对组织的管控，预防组织层面人为错误的发生，能够将事故消灭于萌芽状态。因此，企业内部应重视深层次的安全生产管理，在审查和制定施工方案时，重视高空作业区域的安全防护措施，定期排查事故隐患。此外，应建立高空作业组织管理制度，强化对高技术性工种的安全意识教育和安全防护用品操作流程培训。
3) 车辆伤害事故：如图6(c)所示，“组织影响层”的C15(资源管理不到位)和“不安全行为前提条件层”的C319(无人指挥)为这一路径的源头致因。企业应重视安全资源的投入与管理，严格制定设备维修制度，指定专人管理并定期检查，提高施工现场车辆的安全性。同时，加强对施工队伍的协调管理，在事故多发路段增设指挥人员，保证驾驶人员视野清晰，降低人的不安全行为发生概率。
4) 物体打击事故：如图6(d)所示，“不安全行为前提条件层”的C312(设备或材料处于不安全状态)和“不安全监督层”的C24(隐患排查和防控不到位)是源头致因。因此，企业应重视隐患排查制度的完善与落实。出现恶劣天气时，重点排查设备或材料是否处于不安全的状态并采取相应预防措施，对危险区域及时设置警戒线和安全标志，以防现场人员进入该区域。
5) 机械伤害事故：如图6(e)所示，关键致因路径上的源头致因是“组织影响层”的C15(资源管理不到位)和“不安全行为前提条件”C318(信息传递不到位)。施工企业首先应加强安全资源投入，建立完备的安全管理机构，配备足量的现场安全管理员，确保大型机械设备周围不存在其他作业区域，严令禁止现场工人进入设备周围区域作业。同时，加强对大型设备班组人员和指挥人员的技能培训工作，减少因班组沟通交流不及时而导致的失误。
6) 触电事故：如图6(f)所示，“组织影响层”的C12(安全教育培训不到位)和C15(资源管理)不到位是此类事故频发的源头致因。施工企业应首先加强对机电设备操作人员安全教育培训工作和督促，提高其安全意识，保证人员作业时正确佩戴劳动防护用品。其次，检查和完善与机电设备有关的安全防护措施，以减少工人冒险作业的可能性。
4 结论
1) 基于2003—2023年官方发布的213份地铁施工事故调查报告和改进HFACS模型，识别出包含人员、设备、环境和管理4个方面的38种事故致因，将文本报告转换为数值型数据，为后续分析提供数据基础。
2) 通过贝叶斯反向推理，从人的不安全行为和物的不安全状态出发，分别识别坍塌、高空坠落、车辆伤害、物体打击、机械伤害和触电6种事故类型的关键致因路径。
3) 根据贝叶斯敏感性分析结果，“不安全行为前提条件层”的事故致因对坍塌事故影响最大；“不安全行为前提条件层”和“不安全行为层”的事故致因对高空坠落、车辆伤害、机械伤害和触电事故的发生影响最大；“不安全监督层”和“不安全行为前提条件层”对物体打击事故的影响最大；针对不同事故类型需采取不同的措施对各层级和关键事故致因进行预防。
4) 结合贝叶斯反向推理识别的关键事故致因路径和敏感性分析的关键事故致因，确定各类型事故致因路径上的源头致因。针对源头致因提出差异化的“断链”管控措施，在风险隐患初期遏制事故的发生，有效切断事故路径。
霍小森,杜爽,谭琪麟等.基于数据驱动贝叶斯网络的地铁施工事故致因差异化分析[J].铁道科学与工程学报,2025,22(04):1802-1814.
HUO Xiaosen,DU Shuang,TAN Qilin,et al.Differential analysis of causes of subway construction accidents based on data-driven Bayesian networks[J].Journal of Railway Science and Engineering,2025,22(04):1802-1814.