中国安全科学学报

层级要素	解释词
安全文化	文化建设、思想、责任、价值观、投入、态度、理念、方针、指导思想
安全管理体系	许可证、培训、监管、规程、风险管控、隐患排查、管理体系、标准、资质、规章、制度、岗位责任
安全知识	教育、技能、知识、能力、资格、经验
安全意识	不重视、疏忽、逃避、动机
安全习惯	多次违章、多次违反
安全心理	冒险、压力、紧张、情绪
安全生理	疲劳、迟钝、年龄、性别、体重
不安全动作	未正确使用、违法采用、违规操作、违反操作规程、整改不力、违章作业、违章指挥
不安全状态	条件、环境、防护用品、工具、设备、附件、安全防护措施、标志

层级要素	解释词
安全文化	文化建设、思想、责任、价值观、投入、态度、理念、方针、指导思想
安全管理体系	许可证、培训、监管、规程、风险管控、隐患排查、管理体系、标准、资质、规章、制度、岗位责任
安全知识	教育、技能、知识、能力、资格、经验
安全意识	不重视、疏忽、逃避、动机
安全习惯	多次违章、多次违反
安全心理	冒险、压力、紧张、情绪
安全生理	疲劳、迟钝、年龄、性别、体重
不安全动作	未正确使用、违法采用、违规操作、违反操作规程、整改不力、违章作业、违章指挥
不安全状态	条件、环境、防护用品、工具、设备、附件、安全防护措施、标志

层级要素	P	R	F₁
安全文化	0.750 0	0.750 0	0.750 0
安全管理体系	0.918 4	0.882 4	0.900 0
安全知识	1.000 0	0.800 0	0.888 9
安全意识	0.750 0	0.857 1	0.800 0
安全习惯	1.000 0	0.500 0	0.667 0
安全心理	0.833 0	1.000 0	0.909 1
安全生理	1.000 0	1.000 0	1.000 0
不安全动作	0.666 7	0.909 1	0.769 2
不安全状态	0.727 3	0.761 9	0.744 2
噪声文本	0.761 9	0.695 7	0.727 3
A	0.820 1

层级要素	P	R	F₁
安全文化	0.750 0	0.750 0	0.750 0
安全管理体系	0.918 4	0.882 4	0.900 0
安全知识	1.000 0	0.800 0	0.888 9
安全意识	0.750 0	0.857 1	0.800 0
安全习惯	1.000 0	0.500 0	0.667 0
安全心理	0.833 0	1.000 0	0.909 1
安全生理	1.000 0	1.000 0	1.000 0
不安全动作	0.666 7	0.909 1	0.769 2
不安全状态	0.727 3	0.761 9	0.744 2
噪声文本	0.761 9	0.695 7	0.727 3
A	0.820 1

关键词	W_K	W_T	W
安全防护措施	0.074 9	0.028 1	0.051 5
安全管理	0.05 94	0.026 5	0.042 9
安全制度不完善	0.054 6	0.022 5	0.038 6
教育和培训	0.039 9	0.028 3	0.034 1
安全意识淡薄	0.051 0	0.016 3	0.033 6
动火作业审批	0.041 7	0.013 3	0.027 5
动火作业许可证	0.038 2	0.016 1	0.027 2
安全生产主体责任	0.036 0	0.012 1	0.024 1
现场监护不力	0.027 3	0.020 0	0.023 7
违规动火作业	0.032 2	0.011 4	0.021 8

关键词	W_K	W_T	W
安全防护措施	0.074 9	0.028 1	0.051 5
安全管理	0.05 94	0.026 5	0.042 9
安全制度不完善	0.054 6	0.022 5	0.038 6
教育和培训	0.039 9	0.028 3	0.034 1
安全意识淡薄	0.051 0	0.016 3	0.033 6
动火作业审批	0.041 7	0.013 3	0.027 5
动火作业许可证	0.038 2	0.016 1	0.027 2
安全生产主体责任	0.036 0	0.012 1	0.024 1
现场监护不力	0.027 3	0.020 0	0.023 7
违规动火作业	0.032 2	0.011 4	0.021 8

层级要素	分层权重	关键词	归一化权重	层级要素	分层权重	关键词	归一化权重
A	0.075 3	A₁	0.070 0	—	—	D₅	0.002 4
A₂	0.002 0	E	0.0142	E₁	0.008 4
A₃	0.002 3	E₂	0.002 8
A₄	0.001 0	E₃	0.003 0
B	0.480 0	B₁	0.088 2	F	0.001 8	F₁	0.001 8
B₂	0.048 6	G	0.005 8	G₁	0.005 8
B₃	0.055 9	H	0.128 2	H₁	0.044 8
B₄	0.056 6	H₂	0.033 1
B₅	0.049 5	H₃	0.010 6
B₆	0.040 5	H₄	0.018 6
B₇	0.079 3	H₅	0.008 9
B₈	0.039 3	H₆	0.012 2
B₉	0.022 1	I	0.186 0	I₁	0.105 9
C	0.017 6	C₁	0.010 2	I₂	0.024 0
C₂	0.003 2	I₃	0.018 5
C₃	0.002 1	I₄	0.014 4
C₄	0.002 1	I₅	0.010 2
D	0.091 1	D₁	0.069 2	I₆	0.007 9
D₂	0.007 3	I₇	0.003 6
D₃	0.006 2	I₈	0.001 5
D₄	0.006 0

层级要素	分层权重	关键词	归一化权重	层级要素	分层权重	关键词	归一化权重
A	0.075 3	A₁	0.070 0	—	—	D₅	0.002 4
A₂	0.002 0	E	0.0142	E₁	0.008 4
A₃	0.002 3	E₂	0.002 8
A₄	0.001 0	E₃	0.003 0
B	0.480 0	B₁	0.088 2	F	0.001 8	F₁	0.001 8
B₂	0.048 6	G	0.005 8	G₁	0.005 8
B₃	0.055 9	H	0.128 2	H₁	0.044 8
B₄	0.056 6	H₂	0.033 1
B₅	0.049 5	H₃	0.010 6
B₆	0.040 5	H₄	0.018 6
B₇	0.079 3	H₅	0.008 9
B₈	0.039 3	H₆	0.012 2
B₉	0.022 1	I	0.186 0	I₁	0.105 9
C	0.017 6	C₁	0.010 2	I₂	0.024 0
C₂	0.003 2	I₃	0.018 5
C₃	0.002 1	I₄	0.014 4
C₄	0.002 1	I₅	0.010 2
D	0.091 1	D₁	0.069 2	I₆	0.007 9
D₂	0.007 3	I₇	0.003 6
D₃	0.006 2	I₈	0.001 5
D₄	0.006 0

关键词	B₈	A₁	I₁	B₁	B₇	B₉	B₆	B₂
B₈	0	67	69	72	72	62	45	45
A₁	7	0	0	4	2	9	46	3
I₁	12	65	0	16	74	56	43	21
B₁	7	66	58	0	75	51	47	4
B₇	7	75	0	4	0	50	47	3
B₉	0	52	0	2	0	0	39	0
B₆	2	5	1	4	4	2	0	2
B₂	1	32	39	41	39	23	23	0

关键词	B₈	A₁	I₁	B₁	B₇	B₉	B₆	B₂
B₈	0	67	69	72	72	62	45	45
A₁	7	0	0	4	2	9	46	3
I₁	12	65	0	16	74	56	43	21
B₁	7	66	58	0	75	51	47	4
B₇	7	75	0	4	0	50	47	3
B₉	0	52	0	2	0	0	39	0
B₆	2	5	1	4	4	2	0	2
B₂	1	32	39	41	39	23	23	0

关键词	C_D	C_C	C_B	关键词	C_D	C_C	C_B
B₈	40	1.00	22.25	H₂	36	0.91	9.91
A₁	39	0.98	18.20	H₃	32	0.83	3.99
I₁	39	0.98	18.73	H₆	32	0.83	5.00
B₁	40	1.00	22.25	H₅	32	0.83	5.11
B₇	40	1.00	22.25	H₄	34	0.87	6.54
B₉	38	0.95	18.03	I₅	28	0.77	2.44
B₆	34	0.87	8.15	E₁	32	0.83	4.62
B₂	36	0.91	12.54	D₃	25	0.73	0.61
B₄	35	0.89	9.06	I₄	24	0.71	1.21
B₃	34	0.87	8.01	C₂	28	0.77	1.84
B₅	32	0.83	3.62	D₄	20	0.67	1.31
I₂	35	0.89	11.46	C₁	25	0.73	0.74
D₁	38	0.95	16.99	D₅	22	0.69	0.28
I₃	34	0.87	9.87	E₃	25	0.73	0.96
H₁	32	0.83	6.96	D₂	28	0.77	2.18

关键词	C_D	C_C	C_B	关键词	C_D	C_C	C_B
B₈	40	1.00	22.25	H₂	36	0.91	9.91
A₁	39	0.98	18.20	H₃	32	0.83	3.99
I₁	39	0.98	18.73	H₆	32	0.83	5.00
B₁	40	1.00	22.25	H₅	32	0.83	5.11
B₇	40	1.00	22.25	H₄	34	0.87	6.54
B₉	38	0.95	18.03	I₅	28	0.77	2.44
B₆	34	0.87	8.15	E₁	32	0.83	4.62
B₂	36	0.91	12.54	D₃	25	0.73	0.61
B₄	35	0.89	9.06	I₄	24	0.71	1.21
B₃	34	0.87	8.01	C₂	28	0.77	1.84
B₅	32	0.83	3.62	D₄	20	0.67	1.31
I₂	35	0.89	11.46	C₁	25	0.73	0.74
D₁	38	0.95	16.99	D₅	22	0.69	0.28
I₃	34	0.87	9.87	E₃	25	0.73	0.96
H₁	32	0.83	6.96	D₂	28	0.77	2.18

影响因素分类	事故初始因素	影响因素分类	事故初始因素	影响因素分类	事故初始因素
安全教育与培训	未组织安全教育培训	安全管理制度	管理制度不健全	安全监管	未进行技术交底
动火审批制度未落实	特种作业资格证过期
未掌握安全技能
安全生产主体责任制度不完善	安全监管不到位
安全知识储备不足
违章违规行为	未办理动火票	特种作业人员无证上岗
员工不重视安全教育培训
设施设备	通风设备故障	监督检查不严格
违章作业
电源线老化损坏	安全意识	存在侥幸心理
冒险作业
未设置安全警示标志	监护人疏忽大意
违反操作规程
消防设施不完善	缺乏自我保护意识
未安排现场指挥人员
安全防护	隐患排查	事故隐患排查不彻底	应急处置	应急救援不及时
违章指挥
未组织危险源识别	未制定应急处置预案
安全防护措施不完善
未进行风险评估	未组织应急演练
未正确使用安全防护措施
存在易燃易爆物	人员配备	技术人员缺失
未正确佩戴劳动防护用品
非法储存危险化学品	人员配备不合理

影响因素分类	事故初始因素	影响因素分类	事故初始因素	影响因素分类	事故初始因素
安全教育与培训	未组织安全教育培训	安全管理制度	管理制度不健全	安全监管	未进行技术交底
动火审批制度未落实	特种作业资格证过期
未掌握安全技能
安全生产主体责任制度不完善	安全监管不到位
安全知识储备不足
违章违规行为	未办理动火票	特种作业人员无证上岗
员工不重视安全教育培训
设施设备	通风设备故障	监督检查不严格
违章作业
电源线老化损坏	安全意识	存在侥幸心理
冒险作业
未设置安全警示标志	监护人疏忽大意
违反操作规程
消防设施不完善	缺乏自我保护意识
未安排现场指挥人员
安全防护	隐患排查	事故隐患排查不彻底	应急处置	应急救援不及时
违章指挥
未组织危险源识别	未制定应急处置预案
安全防护措施不完善
未进行风险评估	未组织应急演练
未正确使用安全防护措施
存在易燃易爆物	人员配备	技术人员缺失
未正确佩戴劳动防护用品
非法储存危险化学品	人员配备不合理

基于24Model的动火作业事故致因文本挖掘

PDF下载

牛茂辉 ¹ , 李威君 ¹^,^** , 刘音 ¹ , 王璐 ²

中国安全科学学报 | 安全工程技术 2025,35(3): 151-158

收起

中国安全科学学报 | 安全工程技术 2025, 35(3): 151-158

基于24Model的动火作业事故致因文本挖掘

全屏

牛茂辉¹, 李威君¹^,^**, 刘音¹, 王璐²

作者信息

¹ 山东科技大学安全与环境工程学院，山东青岛 266590

² 山东省港口集团有限公司，山东青岛 266000

牛茂辉 (1999—)，男，河南濮阳人，硕士研究生，研究方向为油气生产过程的风险评估与预警、事故预防与风险控制理论。E-mail：nmaohui@163.com。

刘音，教授

通讯作者:

** 李威君(1988—)，女，山东烟台人，博士，副教授，主要从事油气生产过程的风险评估与预警、事故预防与风险控制理论、应急管理与过程评价等方面的研究。E-mail：weijunli2013@163.com。

Text mining of causes of hot working accidents based on 24Model

Maohui NIU¹, Weijun LI¹^,^**, Yin LIU¹, Lu WANG²

Affiliations

¹ College of Safety and Environmental Engineering，Shandong University of Science and Technology，Qingdao Shandong 266590，China

² Shandong Port Group Co.Ltd.，Qingdao Shandong 266000，China

出版时间: 2025-03-28 doi: 10.16265/j.cnki.issn1003-3033.2025.03.0757

文章导航

摘要

收起

为探究工业动火作业事故的根源，提出一种基于“2-4”模型(24Model)的文本挖掘方法。首先，收集整理220篇动火作业事故报告，并作为数据集，构建基于来自变换器的双向编码器表征量(BERT)的24Model分类器，使用预训练模型训练和评估事故报告数据集，构建分类模型；然后，通过基于BERT的关键字提取算法(KeyBERT)和词频-逆文档频率(TF-IDF)算法的组合权重，结合24Model框架，建立动火作业事故文本关键词指标体系；最后，通过文本挖掘关键词之间的网络共现关系，分析得到事故致因之间的相互关联。结果显示，基于BERT的24Model分类器模型能够系统准确地判定动火作业事故致因类别，通过组合权重筛选得到4个层级关键词指标体系，其中安全管理体系的权重最大，结合共现网络分析得到动火作业事故的7项关键致因。

关键词

“2-4”模型(24Model) / 动火作业 / 事故致因 / 文本挖掘 / 指标体系

Abstract

收起

In order to systematically explore the root causes of industrial hot work accidents through a large amount of text data，a text mining method based on 24Model was proposed. Firstly，220 hot work accident reports were collected and sorted as datasets，and a 24Model classifier based on Bidirectional Encoder Representations from Transformers (BERT) was constructed. The pre-trained model was used to train and evaluate the accident report dataset to construct a classification model. Then，through the combination weight of the Keyword extraction algorithm based on BERT (KeyBERT) and Term Frequency-Inverse Document Frequency (TF-IDF) algorithms，combined with the 24Model framework，a keyword index system for hot work accident text was established. Finally，the interrelationships between accident causes were obtained through the analysis of the network co-occurrence relationship between text-mining keywords. The results show that the BERT-based 24Model classifier model can systematically and accurately determine the causative categories of hot work accidents. The weight of the safety management system was the largest among the 4-level keyword index systems obtained through the combination of weights. Furthermore，7 key causative factors of hot work accidents were obtained by combining them with the co-occurrence network analysis. This shows that 24Model can strengthen the interpretability of text mining results，which provides an important reference for the prevention and management of hot work accidents.

Key words

"2-4" model (24Model) / hot work / accident causes / text mining / index system

引用本文

牛茂辉, 李威君, 刘音, 王璐. 基于24Model的动火作业事故致因文本挖掘. 中国安全科学学报, 2025 , 35 (3) : 151 -158 . DOI: 10.16265/j.cnki.issn1003-3033.2025.03.0757

Maohui NIU, Weijun LI, Yin LIU, Lu WANG. Text mining of causes of hot working accidents based on 24Model[J]. China Safety Science Journal, 2025 , 35 (3) : 151 -158 . DOI: 10.16265/j.cnki.issn1003-3033.2025.03.0757

正文

收起

0 引言

收起

动火作业是工业领域极为常见的特殊作业，包括焊接、切割、电钻、喷灯等产生明火或火花的作业活动^[1]。动火作业的危险性较高，尤其对于存在易燃、易爆物质的环境，极易引发火灾爆炸事故。近年来多起重特大事故都与动火作业有关，如2021年山东栖霞笏山金矿“1·10”重大爆炸事故等^[2]、2024年江西新余“1·24”特大火灾事故^[3]。在船舶修造火灾事故中，59.19%的点火源是动火作业引起的^[4]。因此，研究动火作业事故致因，对于维护工业稳定、安全发展至关重要。

目前，关于动火作业事故防控的研究方法主要分为系统建模和数据挖掘2个方面。在系统建模方面，董秉聿等^[5]运用事故分析图，从国家法律法规、政府政策与监管机构、技术与企业管理、事故进程与人员活动、设备与环境6个方面，分析了化工企业动火作业火灾事故案例的原因；LI Weijun等^[6]利用改进蝶形图和Petri网开展动火作业风险演化分析和定量评估。此类研究虽然得到系统分析结果，但在分析过程中依赖领域专家经验，易产生主观和认知误差，且耗时费力、资源消耗大，而数据挖掘技术为解决上述问题提供了的可能。其中，文本挖掘可通过特征提取、主题聚类、分类模型等技术分析事故报告，发现隐藏在事故文本中的信息^[7]。例如：XU Hui等^[8]利用文本挖掘技术分析处理了我国化工领域的267个动火作业事故，得到导致事故的关键原因有:未进行气体检测和持续监控、可燃物未清理、防护措施不当、工人违反规定。然而，现有的动火作业数据挖掘主要局限于技术运用，未与事故致因分析等领域知识有效融合。

鉴于此，笔者拟选用实用性较强的“2-4”模型(24Model)对事故原因初步分类，基于24Model预训练文本模型开展事故致因分类训练，分析事故致因的潜在联系和相互作用，识别关键致因，以期为工业动火作业事故的预防和控制提供理论依据。

1 基于24Model的文本挖掘方法

收起

文本挖掘是收集、处理、分析、可视化文本数据的过程。传统的文本挖掘主要以词频作为分类依据，缺乏系统的理论指导，导致结果的可解释性较差。针对该问题，文中提出利用事故致因模型引导事故文本挖掘的方法。目前，国内外代表性的事故致因模型有近30种^[9]；考虑到事故文本挖掘过程的特点，需要选取一种对事故原因分类和界定较为明确的模型。24Model^[10]能够将事故致因划分为2个层面和4个关键过程，系统、多层次地分析事故致因。故按照24Model将事故原因分为安全文化、安全管理体系、安全知识、安全意识、安全习惯、安全心理、安全生理、不安全动作和不安全状态，驱动构建文本分类模型，建立指标体系，并开展关联网络分析，具体流程如图1所示。

1.1 数据收集和预处理

动火作业事故报告记录了事故发生的过程、原因和预防措施等细节，蕴含大量的事故信息，故选用动火作业事故报告作为文本挖掘的数据集。

1.2 构建基于24Model的文本分类器

基于24Model的文本挖掘方法以模型中的9项要素作为分类标签，解析事故致因，表1为每个分类的解释词。

为减少噪声文本对模型训练的影响，加入噪声文本标签，得到用于训练分类模型的标签化数据集。将数据集划分为训练集(80%)和测试集(20%)，训练集用于模型学习特征，测试集用于验证模型的性能。

基于来自变换器的双向编码器表征量(Bidirectional Encoder Representations from Transformers，BERT)的预训练模型通过无监督学习方式，能够全面地理解语义和语法信息，在11项自然语言处理任务中表现出更卓越的性能^[11]。相较于从零开始构建模型，基于BERT构建文本分类器^[12]，所消耗的训练时间和标注数据更少^[13]。因此，24Model分类器的搭建采用BERT预训练中文语言模型，通过BERT分词器将输入的数据集划分成标记序列，生成“谷歌张量流”数据集。

准确率A、精确率P、召回率R和F₁分数是评估模型性能的主要指标^[14]：

(1)

A = (T P + T N) / (T P + T N + F P + F N)

(2)

P = T P / (T P + F P)

(3)

R = T P / (T P + F N)

(4)

F 1 = 2 P R / (P + R)

式中：TP(True Positive)为预测和实际结果均为正例的样本数；TN(True Negative)为预测和实际均为反例的样本数；FP(False Positive)为预测是正例、实际是反例的样本数；FN(False Negative)为预测是反例、实际是正例的样本数。

1.3 24Model指标体系及词频-语义组合权重

不同于传统文本挖掘中由单一权重确定致因指标的方式，基于24Model的文本挖掘通过模型确定事故致因框架，并根据权重以指标填充的方式建立事故致因指标体系。为综合考量关键词的词频和语义相关性，采用基于BERT的关键字提取算法(KeyBERT)和词频-逆文档频率(Term Frequency-Inverse Document Frequency，TF-IDF)算法的组合权重。通过比较词汇间的相似性分析出最具有代表性和语义相关性的关键词，相似度W_K的计算过程为：

(5)

W K = (S × K) / (S × K) = ∑ i = 1 n w s i × w k i / (∑ i = 1 n (w s i) 2 × ∑ i = 1 n (w k i) 2)

式中：S和K为句子S和关键词K各自n个分量的向量；w_si和w_ki分别S为和K的第i个分量。

TF-IDF算法通过分析一个文档中词语出现的频率确定该词语在文档中的重要程度^[14]，权重W_T表示为：

(6)

W T = w T × w I = (C W / N) × l n (d / w D)

式中：w_T为特征词w在文本中出现的次数；w_I为w的逆文档频率；C_w为w在文档中出现次数;N为文档中总词语个数；d为文档总数;w_D为特征词所在文档数。

考虑词频和语义相关性，组合权重W表示为：

(7)

W = (W K + W T) / 2

1.4 事故致因关联分析

共现网络分析有助于揭示潜在致因因素、阐明各因素之间的联系^[15]，通过计算致因因素的共现频率，得出致因因素的共现矩阵；将数据导入Gephi可视化工具^[16]，构建事故致因网络图。在网络图中，每个事故致因被视为一个节点，节点大小反映共现次数；节点之间的边表示其共现关系，边的粗细可反映共现关系的强度。在网络分析中，节点的重要性由3个评价指标来衡量：点度中心性、中介中心性和接近中心性^[17]。

度中心性是指与某节点相连的边的数量。度中心性越大表明该节点在网络中的影响力更大。节点的点度中心性C_D(v)计算过程为：

(8)

C D (v) = ∑ i n a v i / (n - 1)

式中：a_vi为连接到节点v和节点i关系，相连记为1，不相连记为0；n为网络中的总节点数。

接近中心性衡量节点与其他所有节点的平均最短路径长度，即节点间的距离。数值大表明因素间联系紧密，是事故发生的直接原因或重要环节。节点v的接近中心性

C C (v)

的计算过程为：

(9)

C C (v) = (n - 1) / ∑ i = 1 n b v i

式中b_vi为节点v到节点i之间的最短路径长度。

中介中心性用于衡量节点在网络中的控制能力和信息传播能力。数值高表明该节点是连接其他节点的关键节点，对事故发生和发展有重要影响。节点的中介中心性C_B(v)表示为：

(10)

C B (v) = ∑ s ≠ v ≠ t (σ s t (v) / σ s t)

式中：σ_st为从节点s到节点t的所有最短路径数量；σ_st(v)为从节点s到节点t的所有最短路径数量。

2 基于24Model的动火作业事故致因文本挖掘

收起

2.1 数据收集和处理

事故数据源自截至2024年1月的安全管理网(https://www.safehoo.com/Case/)和中华人民共和国应急管理部(https://www.mem.gov.cn/)公布的476篇动火作业事故报告，筛选去除相同案例，整理得到220篇事故报告文本，作为文本挖掘数据集。

为防止错误切分表示事故致因的短语，在使用Python的Jieba工具分词时，先汇总安全生产和化学化工领域的术语，再添加动火作业致因词，建立自定义词库。同时整合“哈工大停用词表”和“百度停用词表”，并加入“企业”、“车间”等与事故致因分析无关的词语，构建用于动火作业事故报告文本分析的停用词库。另外，整合事故报告中的同义表达，建立同义词库。

2.2 分类模型的训练和评估

设定关键参数:迭代次数、批次大小和最大序列长度。记录每次迭代的损失函数值和A，绘制训练曲线，如图2所示。观察到在经过10次迭代后，A曲线和损失值函数值曲线趋于稳定;准确率曲线未出现下降趋势，损失值曲线也未显示上升趋势，表明未出现过拟合或欠拟合现象。故将最佳迭代次数设置为10。由于数据集相对较小，选择批次大小为16。考虑到分类对象为词或词组，将最大序列长度设定为16。

将测试数据投入训练好的分类模型，得到分类预测结果。由式(1)—式(4)计算得到24Model要素分类的性能参数A、P、R和F₁分数，见表2。可以看出，基于24Model的文本分类在各类别上展现出相对均衡的P、R和F₁分数，A为82%，说明该方法能够较为准确地辨识事故致因的类别。

2.3 指标体系构建及权重计算

由式(7)计算关键词的W部分，结果见表3。使用经过训练的事故致因分类模型，对关键词提取结果进行分类和二次过滤，根据权重值筛选出每个分类中的致因关键词，得到基于24Model的文本挖掘关键词指标体系，如图3所示。

对词频-语义权重值归一化处理得到动火作业事故致因各层级权重，见表4。可以看出，安全管理体系的权重最大，是最重要的层级要素；不安全状态和不安全动作在历年动火作业事故中的致因占比也相对较大。

2.4 工业动火作业事故致因关联分析及可视化

表5给出了体现动火作业文本挖掘关键词间共现关系的共现矩阵。将数据导入Gephi可视化工具，按照24Model的框架将动火作业事故的致因要素划分为组织文化、管理体系、个体能力和个体行为4个层级指标作为网络社区单元，得到共现网络，如图4所示。

由式(8)—式(10)计算节点的C_D、C_C和C_B，表6为事故致因节点重要性定量分析结果。可以看出，B₈(监督检查)、A₁(教育培训)、I₁(安全防护措施)、B₁(安全管理)、B₇(安全制度不完善)、B₉(隐患排查以)及D₁(安全意识淡薄)7个事故致因具有较高的接近中心性和中介中心性，说明这些因素在事故发生的过程中起着重要作用，是导致事故的关键因素。

3 与传统文本挖掘的比较分析

收起

传统文本挖掘方法是在没有事故致因模型驱动的情况下依赖于自然语言处理技术和统计学方法挖掘文本中的有用信息^[18]。而基于24Model的文本挖掘方法与传统文本挖掘在目标、技术应用、结果呈现方面均存在明显差异。

1) 目标差异：传统文本挖掘侧重于从文本自身中提取信息、分类文档或完成聚类任务。模型驱动的文本挖掘旨在从文本中更加系统化地识别事故原因，分层次地分析事故原因。

2) 技术应用：传统文本挖掘方法通常使用词频统计、TF-IDF等技术。模型驱动的文本挖掘结合自然语言处理技术、机器学习算法和专门针对事故分析设计的模型来进行文本分析。选用24Model设计分类搭建预训练模型，增强了结果的可解释性，降低分类模型训练所需数据量。为文本挖掘结果维度高，降维算法可能造成关键信息缺失的问题提供解决思路。

3) 结果呈现：传统文本挖掘直接给出关键词，且对关键词分类时，事故原因之间存在重叠的情况，导致结果缺乏层次分明的解释，见表7。基于24Model的文本挖掘方法得到的结果更加注重对事故原因的解释和可视化，帮助决策者理解事故发生的机制。

4 结论

收起

1) 通过将24Model与文本挖掘相结合，构建基于BERT的24Model分类器，将安全文化、安全管理体系、安全知识、安全意识、安全习惯、安全心理、安全生理、不安全动作、不安全状态9项要素作为分类标签，以准确判定事故致因类别，增强文本挖掘过程的系统性。

2) 采用KeyBERT和TF-IDF组合赋权构建以24Model为框架的动火作业事故文本关键词指标体系，为确定关键的事故致因层级及因素提供框架，结合基于24Model的文本挖掘关键词共现网络得到7项关键致因，为动火作业事故预防和管理提供更确切的定量信息。

基金

收起

国家自然科学青年基金资助(51904169)
山东省自然科学基金资助(ZR2023ME093)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

WANG

Xin

. Analysis and improvement of hot work management in China[J]. Process Safety Progress, 2023, 42(1):72-78.

[2]

山东省人民政府. 山东五彩龙投资有限公司栖霞市笏山金矿“1·10”重大爆炸事故调查报告[EB/OL]. (2021-02-23). http://www.shandong.gov.cn/art/2021/2/23/art_305296_10334792.html. http://www.shandong.gov.cn/art/2021/2/23/art_305296_10334792.html

[3]

中华人民共和国应急管理部. 佳乐苑小区特别重大火灾事故调查报告[EB/OL]. (2024-09-21). https://www.mem.gov.cn/xw/bndt/202409/t20240921_501982.shtml. https://www.mem.gov.cn/xw/bndt/202409/t20240921_501982.shtml

[4]

李显, 焦宇, 陈文涛, 等. 船舶修造企业火灾事故特征挖掘与致因分析[J]. 中国安全科学学报, 2024, 34(3):29-38.

Xian

, JIAO

, CHEN

Wentao

, et al. Feature mining and causative analysis of fire accidents in ship repair and building enterprises[J]. China Safety Science Journal, 2024, 34(3):29-38.

[5]

董秉聿, 王宇昊, 孙鹏依, 等. 基于AcciMap模型的动火作业火灾事故案例分析[J]. 安全, 2023, 44(6):94-99.

DONG

Bingyu

, WANG

Yuhao

, SUN

Pengyi

, et al. Case analysis on fire accident caused by fire operation based on AcciMap model[J]. Safety and Security, 2023, 44(6):94-99.

[6]

Weijun

, SUN

Qiqi

, ZHANG

Jiwang

, et al. Quantitative risk assessment of industrial hot work using adaptive bow tie and Petri nets[J]. Reliability Engineering and System Safety, 2024,242: DOI: 10.1016/j.ress.2023.109784.

[7]

田水承, 黄权. 基于文本挖掘的煤矿瓦斯事故致因分析[J]. 煤矿安全, 2022, 53(5):241-245.

TIAN

Shuicheng

, HUANG

Quan

. Analysis of causes for coal mine gas accidents based on text mining method[J]. Safety in Coal Mines, 2022, 53(5): 241-245.

[8]

Hui

, LIU

, SHU

Chimin

, et al. Cause analysis of hot work accidents based on text mining and deep learning[J]. Journal of Loss Prevention in the Process Industries, 2022,76: DOI: 10.1016/j.jlp.2022.104747.

[9]

Gui

, XIE

Xuecai

, JIA

Qingsong

, et al. The development history of accident causation models in the past 100 years: 24Model, a more modern accident causation model[J]. Process Safety and Environmental Protection, 2020,134:47-82.

[10]

傅贵, 陈奕燃, 许素睿, 等. 事故致因“2-4”模型的内涵解析及第6版的研究[J]. 中国安全科学学报, 2022, 32(1):12-19.

Gui

, CHEN

Yiran

, XU

Surui

, et al. Detailed explanations of 24Model and development of its 6^th version[J]. China Safety Science Journal, 2022, 32(1):12-19.

[11]

DEVLIN

, CHANG

Mingwei

, LEE

, et al. BERT: pre-training of deep bidirectional transformers for language understanding[C]. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics:Human Language Technologies, 2019：4171-4186.

[12]

GARRIDO-MERCHAN

E C

, GOZALO-BRIZUELA

, GONZALEZ-CARVAJAl

. Comparing BERT against traditional machine learning models in text classification[J]. Journal of Computational and Cognitive Engineering, 2023, 2(4):352-356.

[13]

李思锐. 基于BERT的子词级中文文本分类方法[J]. 计算机科学与应用, 2020, 10(6):1075-1086.

Sirui

. Subword-level Chinese text classification method based on BERT[J]. Computer Science and Application, 2020, 10(6):1075-1086.

[14]

兰晓芳, 刘卓, 许志豪, 等. 基于TF-IDF和TextRank结合的中文文本关键词提取方法:以体育新闻为例[J]. 软件工程, 2023, 26(8):6-10.

LAN

Xiaofang

, LIU

Zhuo

, XU

Zhihao

, et al. A Chinese text keyword extraction method based on the combination of TF-IDF and TextRank:a case study of sports news[J]. Software Engineering, 2023, 26(8):6-10.

[15]

郑彬彬, 冯婷婷, 王佳贺, 等. 基于文本挖掘的城镇燃气事故致因及关联分析[J]. 中国安全科学学报, 2023, 33(7):190-195.

ZHENG

Binbin

, FENG

Tingting

, WANG

Jiahe

, et al. Causes and correlation analysis of urban gas accidents based on text mining[J]. China Safety Science Journal, 2023, 33(7):190-195.

[16]

BASTIAN

, HEYMANN

, JACOMY

. Gephi: an open source software for exploring and manipulating networks[C]. International AAAI Conference on Weblogs and Social Media, 2009: 361-362.

[17]

LIU

Muyang

, LUO

Xiaowei

, WANG

Guangbin

, et al. Intelligent information extraction from government on-site inspection reports of construction projects: a graph-based text mining approach[J]. Advanced Engineering Informatics, 2023,58: DOI: 10.1016/j.aei.2023.102163.

[18]

王亮, 赖佳燕, 张自欣, 等. 基于文本挖掘和改进DEMATEL法的化工事故关键因素识别[J]. 中国安全科学学报, 2024, 34(3):20-28.

WANG

Liang

, LAI

Jiayan

, ZHANG

Zixin

, et al. Identification of critical factors in chemical accidents based on text mining and improved DEMATEL method[J]. China Safety Science Journal, 2024, 34(3):20-28.

2025年第35卷第3期

PDF下载

322

139

引用本文

BibTeX

文章信息

doi: 10.16265/j.cnki.issn1003-3033.2025.03.0757

接收时间：2024-10-19
首发时间：2025-07-05
出版时间：2025-03-28

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-10-19
修回日期：2024-12-21

基金

国家自然科学青年基金资助(51904169)

山东省自然科学基金资助(ZR2023ME093)

作者信息

¹ 山东科技大学安全与环境工程学院，山东青岛 266590

² 山东省港口集团有限公司，山东青岛 266000

通讯作者:

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zgaqkxxb/CN/10.16265/j.cnki.issn1003-3033.2025.03.0757

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

层级要素	解释词
安全文化	文化建设、思想、责任、价值观、投入、态度、理念、方针、指导思想
安全管理体系	许可证、培训、监管、规程、风险管控、隐患排查、管理体系、标准、资质、规章、制度、岗位责任
安全知识	教育、技能、知识、能力、资格、经验
安全意识	不重视、疏忽、逃避、动机
安全习惯	多次违章、多次违反
安全心理	冒险、压力、紧张、情绪
安全生理	疲劳、迟钝、年龄、性别、体重
不安全动作	未正确使用、违法采用、违规操作、违反操作规程、整改不力、违章作业、违章指挥
不安全状态	条件、环境、防护用品、工具、设备、附件、安全防护措施、标志

层级要素

解释词

安全文化

文化建设、思想、责任、价值观、投入、态度、理念、方针、指导思想

安全管理体系

许可证、培训、监管、规程、风险管控、隐患排查、管理体系、标准、资质、规章、制度、岗位责任

安全知识

教育、技能、知识、能力、资格、经验

安全意识

不重视、疏忽、逃避、动机

安全习惯

多次违章、多次违反

安全心理

冒险、压力、紧张、情绪

安全生理

疲劳、迟钝、年龄、性别、体重

不安全动作

未正确使用、违法采用、违规操作、违反操作规程、整改不力、违章作业、违章指挥

不安全状态

条件、环境、防护用品、工具、设备、附件、安全防护措施、标志

层级要素	P	R	F₁
安全文化	0.750 0	0.750 0	0.750 0
安全管理体系	0.918 4	0.882 4	0.900 0
安全知识	1.000 0	0.800 0	0.888 9
安全意识	0.750 0	0.857 1	0.800 0
安全习惯	1.000 0	0.500 0	0.667 0
安全心理	0.833 0	1.000 0	0.909 1
安全生理	1.000 0	1.000 0	1.000 0
不安全动作	0.666 7	0.909 1	0.769 2
不安全状态	0.727 3	0.761 9	0.744 2
噪声文本	0.761 9	0.695 7	0.727 3
A	0.820 1

层级要素

F₁

安全文化

0.750 0

安全管理体系

0.918 4

0.882 4

0.900 0

安全知识

1.000 0

0.800 0

0.888 9

安全意识

0.750 0

0.857 1

0.800 0

安全习惯

1.000 0

0.500 0

0.667 0

安全心理

0.833 0

1.000 0

0.909 1

安全生理

1.000 0

不安全动作

0.666 7

0.909 1

0.769 2

不安全状态

0.727 3

0.761 9

0.744 2

噪声文本

0.761 9

0.695 7

0.727 3

0.820 1

关键词	W_K	W_T	W
安全防护措施	0.074 9	0.028 1	0.051 5
安全管理	0.05 94	0.026 5	0.042 9
安全制度不完善	0.054 6	0.022 5	0.038 6
教育和培训	0.039 9	0.028 3	0.034 1
安全意识淡薄	0.051 0	0.016 3	0.033 6
动火作业审批	0.041 7	0.013 3	0.027 5
动火作业许可证	0.038 2	0.016 1	0.027 2
安全生产主体责任	0.036 0	0.012 1	0.024 1
现场监护不力	0.027 3	0.020 0	0.023 7
违规动火作业	0.032 2	0.011 4	0.021 8

关键词

W_K

W_T

安全防护措施

0.074 9

0.028 1

0.051 5

安全管理

0.05 94

0.026 5

0.042 9

安全制度不完善

0.054 6

0.022 5

0.038 6

教育和培训

0.039 9

0.028 3

0.034 1

安全意识淡薄

0.051 0

0.016 3

0.033 6

动火作业审批

0.041 7

0.013 3

0.027 5

动火作业许可证

0.038 2

0.016 1

0.027 2

安全生产主体责任

0.036 0

0.012 1

0.024 1

现场监护不力

0.027 3

0.020 0

0.023 7

违规动火作业

0.032 2

0.011 4

0.021 8

层级要素	分层权重	关键词	归一化权重	层级要素	分层权重	关键词	归一化权重
A	0.075 3	A₁	0.070 0	—	—	D₅	0.002 4
A₂	0.002 0	E	0.0142	E₁	0.008 4
A₃	0.002 3	E₂	0.002 8
A₄	0.001 0	E₃	0.003 0
B	0.480 0	B₁	0.088 2	F	0.001 8	F₁	0.001 8
B₂	0.048 6	G	0.005 8	G₁	0.005 8
B₃	0.055 9	H	0.128 2	H₁	0.044 8
B₄	0.056 6	H₂	0.033 1
B₅	0.049 5	H₃	0.010 6
B₆	0.040 5	H₄	0.018 6
B₇	0.079 3	H₅	0.008 9
B₈	0.039 3	H₆	0.012 2
B₉	0.022 1	I	0.186 0	I₁	0.105 9
C	0.017 6	C₁	0.010 2	I₂	0.024 0
C₂	0.003 2	I₃	0.018 5
C₃	0.002 1	I₄	0.014 4
C₄	0.002 1	I₅	0.010 2
D	0.091 1	D₁	0.069 2	I₆	0.007 9
D₂	0.007 3	I₇	0.003 6
D₃	0.006 2	I₈	0.001 5
D₄	0.006 0

层级
要素

分层
权重

关键
词

归一化
权重

层级
要素

分层
权重

关键
词

归一化
权重

0.075 3

A₁

0.070 0

—

D₅

0.002 4

A₂

0.002 0

0.0142

E₁

0.008 4

A₃

0.002 3

E₂

0.002 8

A₄

0.001 0

E₃

0.003 0

0.480 0

B₁

0.088 2

0.001 8

F₁

0.001 8

B₂

0.048 6

0.005 8

G₁

0.005 8

B₃

0.055 9

0.128 2

H₁

0.044 8

B₄

0.056 6

H₂

0.033 1

B₅

0.049 5

H₃

0.010 6

B₆

0.040 5

H₄

0.018 6

B₇

0.079 3

H₅

0.008 9

B₈

0.039 3

H₆

0.012 2

B₉

0.022 1

0.186 0

I₁

0.105 9

0.017 6

C₁

0.010 2

I₂

0.024 0

C₂

0.003 2

I₃

0.018 5

C₃

0.002 1

I₄

0.014 4

C₄

0.002 1

I₅

0.010 2

0.091 1

D₁

0.069 2

I₆

0.007 9

D₂

0.007 3

I₇

0.003 6

D₃

0.006 2

I₈

0.001 5

D₄

0.006 0

关键词	B₈	A₁	I₁	B₁	B₇	B₉	B₆	B₂
B₈	0	67	69	72	72	62	45	45
A₁	7	0	0	4	2	9	46	3
I₁	12	65	0	16	74	56	43	21
B₁	7	66	58	0	75	51	47	4
B₇	7	75	0	4	0	50	47	3
B₉	0	52	0	2	0	0	39	0
B₆	2	5	1	4	4	2	0	2
B₂	1	32	39	41	39	23	23	0

关键词

B₈

A₁

I₁

B₁

B₇

B₉

B₆

B₂

B₈

A₁

I₁

B₁

B₇

B₉

B₆

B₂

关键词	C_D	C_C	C_B	关键词	C_D	C_C	C_B
B₈	40	1.00	22.25	H₂	36	0.91	9.91
A₁	39	0.98	18.20	H₃	32	0.83	3.99
I₁	39	0.98	18.73	H₆	32	0.83	5.00
B₁	40	1.00	22.25	H₅	32	0.83	5.11
B₇	40	1.00	22.25	H₄	34	0.87	6.54
B₉	38	0.95	18.03	I₅	28	0.77	2.44
B₆	34	0.87	8.15	E₁	32	0.83	4.62
B₂	36	0.91	12.54	D₃	25	0.73	0.61
B₄	35	0.89	9.06	I₄	24	0.71	1.21
B₃	34	0.87	8.01	C₂	28	0.77	1.84
B₅	32	0.83	3.62	D₄	20	0.67	1.31
I₂	35	0.89	11.46	C₁	25	0.73	0.74
D₁	38	0.95	16.99	D₅	22	0.69	0.28
I₃	34	0.87	9.87	E₃	25	0.73	0.96
H₁	32	0.83	6.96	D₂	28	0.77	2.18

关键词

C_D

C_C

C_B

关键词

C_D

C_C

C_B

B₈

1.00

22.25

H₂

0.91

9.91

A₁

0.98

18.20

H₃

0.83

3.99

I₁

0.98

18.73

H₆

0.83

5.00

B₁

1.00

22.25

H₅

0.83

5.11

B₇

1.00

22.25

H₄

0.87

6.54

B₉

0.95

18.03

I₅

0.77

2.44

B₆

0.87

8.15

E₁

0.83

4.62

B₂

0.91

12.54

D₃

0.73

0.61

B₄

0.89

9.06

I₄

0.71

1.21

B₃

0.87

8.01

C₂

0.77

1.84

B₅

0.83

3.62

D₄

0.67

1.31

I₂

0.89

11.46

C₁

0.73

0.74

D₁

0.95

16.99

D₅

0.69

0.28

I₃

0.87

9.87

E₃

0.73

0.96

H₁

0.83

6.96

D₂

0.77

2.18

影响因素分类	事故初始因素	影响因素分类	事故初始因素	影响因素分类	事故初始因素
安全教育与培训	未组织安全教育培训	安全管理制度	管理制度不健全	安全监管	未进行技术交底
动火审批制度未落实	特种作业资格证过期
未掌握安全技能
安全生产主体责任制度不完善	安全监管不到位
安全知识储备不足
违章违规行为	未办理动火票	特种作业人员无证上岗
员工不重视安全教育培训
设施设备	通风设备故障	监督检查不严格
违章作业
电源线老化损坏	安全意识	存在侥幸心理
冒险作业
未设置安全警示标志	监护人疏忽大意
违反操作规程
消防设施不完善	缺乏自我保护意识
未安排现场指挥人员
安全防护	隐患排查	事故隐患排查不彻底	应急处置	应急救援不及时
违章指挥
未组织危险源识别	未制定应急处置预案
安全防护措施不完善
未进行风险评估	未组织应急演练
未正确使用安全防护措施
存在易燃易爆物	人员配备	技术人员缺失
未正确佩戴劳动防护用品
非法储存危险化学品	人员配备不合理

影响因
素分类

事故初始因素

影响因
素分类

事故初始因素

影响因
素分类

事故初始因素

安全
教育
与培训

未组织安全教育培训

安全
管理
制度

管理制度不健全

安全
监管

未进行技术交底

动火审批制度未落实

特种作业资格证过期

未掌握安全技能

安全生产主体责任制度不完善

安全监管不到位

安全知识储备不足

违章
违规
行为

未办理动火票

特种作业人员无证上岗

员工不重视安全教育培训

设施
设备

通风设备故障

监督检查不严格

违章作业

电源线老化损坏

安全
意识

存在侥幸心理

冒险作业

未设置安全警示标志

监护人疏忽大意

违反操作规程

消防设施不完善

缺乏自我保护意识

未安排现场指挥人员

安全
防护

隐患
排查

事故隐患排查不彻底

应急
处置

应急救援不及时

违章指挥

未组织危险源识别

未制定应急处置预案

安全防护措施不完善

未进行风险评估

未组织应急演练

未正确使用安全防护措施

存在易燃易爆物

人员
配备

技术人员缺失

未正确佩戴劳动防护用品

非法储存危险化学品