一、安全預測學的發(fā)展

本世紀五十年代以來，預測學漸漸地形成了一門獨立的學科，國內外各部門、各行業(yè)不斷應用各種預測理論和方法來進行社會預測、經(jīng)濟預測、科學預測、技術預測、軍事預測等。同時，決策過程也逐步由經(jīng)驗型向決策分析技術型過渡發(fā)展。目前，預測決策理論和方法得到了廣泛的應用，并已發(fā)展成為理論分析、方法技術與實際應用相結合的專門學科。

近十幾年來，預測決策理論和方法漸漸被引入到了工業(yè)安全領域，用以科學指導安全生產(chǎn)，并取得了一定成效。特別是目前隨著現(xiàn)代數(shù)學方法和計算機技術的發(fā)展，國際上安全評價分析以及預測決策實施得到了廣泛應用，如模糊故障樹分析預測、模糊概率分析、模糊灰色預測決策等。利用計算機專家系統(tǒng)、決策支持系統(tǒng)、人工神經(jīng)網(wǎng)絡等現(xiàn)代數(shù)學方法和計算機技術，使安全分析評價預測決策實施開拓了一個更廣闊的應用前程，這些技術方法在英國、美國、德國、意大利等國的核工業(yè)、化工、環(huán)境等領域得到了廣泛應用。以安全分析、隱患評價、事故預測決策為主體的安全評價工作作為一種產(chǎn)業(yè)在國際上已經(jīng)出現(xiàn)。

　　我國許多行業(yè)自八十年代以來也相繼開展了安全分析、事故預測預防研究，如航空、冶金、煤炭、化工、地質、石油天然氣等行業(yè)均開發(fā)了相應的事故管理與預測系統(tǒng)。但各部門的研究進展很不一致，未形成系統(tǒng)的事故預測理論及方法，安全預測與決策方面的研究就更為不足，僅有的一些工作主要限于統(tǒng)計分析、局部預測。目前，國家有關部門已將此類項目列入“九五”期間的發(fā)展規(guī)劃，國內許多企業(yè)和部門及研究院所正在積極進行這方面的工作。

隨著現(xiàn)代科學技術的進步與發(fā)展，安全科學技術越來越受到重視，現(xiàn)代安全管理技術與方法在國內外日益受到關注和應用。從現(xiàn)代安全生產(chǎn)管理的實際需要和總的發(fā)展趨勢分析，把現(xiàn)代的計算機技術與安全科學管理技術有機地結合，綜合運用安全系統(tǒng)管理理論及事故分析預測決策技術，將會大大促進安全預測理論及方法技術的進一步提高。“安全第一，預防為主”，預測是預防的前提，預測是決策的基礎，工業(yè)事故的預測預防及其輔助決策分析評價已成為現(xiàn)代安全管理的核心。發(fā)展安全預測學，應用現(xiàn)代的科學預測理論和方法，建立工業(yè)安全與減災的預測理論模型及其安全智能輔助決策分析方法，并利用實用的計算機軟件技術，能為安全減災服務。

二、安全預測方法

目前已有的安全預測模型有：

⒈事故隱患辨識預測：其基本方法是對生產(chǎn)事故隱患辨識預測方法主要有經(jīng)驗分析法、故障樹分析法、事件樹分析法、因果分析法、人的可靠性分析法、人機環(huán)系統(tǒng)分析法等。預測的對象以人為主體的人機環(huán)分析預測能直接分析人的不安全行為、物的不安全狀態(tài)、環(huán)境的不安全條件等直接隱患，同時還能揭示深層次的本質原因，即管理方面的間接隱患。借助故障樹分析技術　對存在危險的隱患進行定性定量分析，預測隱患導致事故發(fā)生的定性定量結論，并得出直接隱患之間的邏輯層次關系。預測的事故類型主要用于生產(chǎn)過程中的機械傷害、壓力容器爆炸、火災等事故隱患的定性分析預測。

　?、仓虚L期宏觀事故指標預測：其預測的對象是較大樣本的行業(yè)中長期宏觀事故指標，如行業(yè)或具有一定生產(chǎn)規(guī)模企業(yè)的事故千人傷亡率、事故經(jīng)濟損失、事故頻率等與時間序列相關的事故指標進行預測。預測的方法是考慮事故變化趨勢屬于非平穩(wěn)的隨機過程，常用具有原始數(shù)據(jù)需求量小、對分布規(guī)律性要求不嚴、預測精度較高等優(yōu)點的模糊灰色預測模型GM(1,1)，同時考慮到減小預測誤差，將其與時間序列自相關預測模型AR(n)相結合。預測的模型是GM(1,1)和AR(n)的組合模型，即：

x(0)(t+1) = (-ax(0) (1) + b ) e -a t + ∑φiεi

⒊安全生產(chǎn)短期微觀事故狀態(tài)預測：預測的對象是工業(yè)系統(tǒng)工作狀態(tài)的安全預測。其方法是對工業(yè)生產(chǎn)短期微觀事故狀態(tài)預測擬選用模糊馬爾柯夫鏈預測法，其特點是系統(tǒng)某一時刻狀態(tài)僅與上一時刻狀態(tài)有關，而與以前時刻狀態(tài)無關。其t+1時刻的狀態(tài)預測模型表示為：

Psik = max{Psi1, Psi2, ... , Psi1}

4·趨勢外推預測法：趨勢外推預測技術是建立在統(tǒng)計學基礎上，應用大數(shù)理論與正態(tài)分布規(guī)律的方法，以前期已知的統(tǒng)計數(shù)據(jù)為基礎，對未來的事故數(shù)據(jù)進行相對精確定量預測的一種實用方法。這種方法對于具有一定生產(chǎn)規(guī)模和事故樣本的系統(tǒng)具有較高的預測準確性。趨勢外推預測數(shù)學模型為

Ｘ＝Ａ ·(· Ｘ0

其中：Ｘ－為未來事故預測指標；Ａ－生產(chǎn)規(guī)模變化系數(shù)，Ａ＝已知生產(chǎn)規(guī)模 ( 計劃生產(chǎn)規(guī)模；(－安全生產(chǎn)水平變化系數(shù)，(＝原有安全生產(chǎn)水平 ( 現(xiàn)有安全生產(chǎn)水平；Ｘ0－已知事故指標（如當年事故指標）。

趨勢外推預測法可以預測的指標是廣泛的，絕對指標：如工業(yè)生產(chǎn)過程中的火災事故次數(shù)、交通事故次數(shù)、事故傷亡人次、事故損失工日、火災頻率、事故經(jīng)濟損失等；相對指標，如千人傷亡率、億元產(chǎn)值傷亡率、億元產(chǎn)值損失率、百萬噸公里事故率、人均事故工日損失、人均事故經(jīng)濟損失等。

5·回歸預測法：回歸預測的實質是有些事故與一些主要因素相關，將其看作自變量的函數(shù)，選取相應的回歸模型進行預測。這種方法多適于事故趨勢隨機性變化小，能較好地符合某類非線性的場合。常用的模型有指數(shù)函數(shù)、對數(shù)函數(shù)、冪函數(shù)等。根據(jù)基礎事故數(shù)據(jù)的分布，若事故與某些因素直接相關，可考慮用回歸預測方法。

6·基于神經(jīng)網(wǎng)絡的時間序列預測法：對于工業(yè)生產(chǎn)具有混沌特征分布的事故類型或特征量，可考慮運用神經(jīng)網(wǎng)絡時間序列預測法。通過反復演變和求解，可得到精度較高的事故特征預測量。

7·專家系統(tǒng)預測法：一般來說由于事故的發(fā)生是一個非平穩(wěn)的隨機過程，工業(yè)生產(chǎn)過程中的事故也是同樣的。同時，實際上在各種工業(yè)的安全生產(chǎn)工作中，一些重大事故（如石油井噴事故）的樣本數(shù)據(jù)量是缺乏和信息量不足的，這樣一般統(tǒng)計預測模型的誤差就會較大?；谟嬎銠C專家系統(tǒng)之上的預測法，應用專家知識與預測定量模型相結合，能做到定性、定量分析，誤差量將會降低。這樣就會有必要采用高精度的預測方法，如專家系統(tǒng)預測方法。由于專家系統(tǒng)的建立、知識的獲取及其知識庫的構造、推理機的設計是一個相當復雜的過程，是否在石油勘探開發(fā)生產(chǎn)過程中能夠使專家系統(tǒng)預測技術應用成功，這是本課題要探索的問題。顯然，將專家系統(tǒng)預測法作為一種嘗試性研究是很有價值的工作。

　　三、安全預測學研究狀況

安全預測學的重要研究問題有：

⒈事故預防多目標決策：因為事故預防決策要考慮科技水平、經(jīng)濟條件、安全水準等邊界限制條件，要考慮降低事故、提高效益、企業(yè)能力等多方面因素，擬選用多目標決策法（加權評分法、層次分析法、目標規(guī)劃法等）為宜。其問題的實質是有k個目標f1(x) ,f2(x), … ,fk(x),　求解x, 使各目標值從整體上達到最優(yōu), max [f1(x) ,f2(x), … ,fk(x)]。該方法主要用于事故預防的多方案決策。

⒉安全投資決策：為降低事故，需增加投資，安全投資決策主要運用風險決策、綜合評分決策、模糊灰色決策等方法，以使決策方案最優(yōu)，即達到max[E(B)i]。

3·隱患及薄弱環(huán)節(jié)控制決策：決策目標是應用預測或實際統(tǒng)計的數(shù)據(jù)，在合理的安全評價理論和方法的基礎上，對人、機、境、管理等石油勘探開發(fā)生產(chǎn)的事故隱患和薄弱性環(huán)節(jié)，進行對策性決策。以指導科學和準確的采取事故預防措施。決策方法是最大薄弱環(huán)節(jié)準則；主次因素分析技術；信息量決策技術等。決策的內容有：能給出隱患控制和事故薄弱性環(huán)節(jié)的優(yōu)選級措施方案。如采用的技術、裝置、事故預防效果、安全措施或方案的難度級、措施投資參考等內容。

4·事故預測和安全智能輔助決策研究：這是企業(yè)進行現(xiàn)代安全綜合管理的重要手段。事故預測和安全智能輔助決策研究可用于企業(yè)管理部門及生產(chǎn)領導層的輔助決策咨詢，也可對安全技術部門和安技專業(yè)技術人員采取有效的事故預防措施發(fā)揮重要參謀作用。