[发明专利]一种大型活动踩踏事故动态风险评估方法

权利要求书

1.一种大型活动踩踏事故动态风险评估方法，其特征在于，包括以下步骤：

S1.多维度收集调研踩踏事故数据；

S2.分析踩踏事故数据，确定贝叶斯网络模型；

S3.根据构建的踩踏事故贝叶斯网络模型，通过多场景情景分析法，以事故致因和演化路径为基础，运用贝叶斯网络的推理功能动态预测不同踩踏事故场景下的事故后果，并应用敏感性分析方法识别影响踩踏事故发生的关键因素；

S4.进行踩踏事故的风险管控。

2.根据权利要求1所述的一种大型活动踩踏事故动态风险评估方法，其特征在于：所述步骤S2中当踩踏事故数据充足时，采用结构学习方法和参数学习方法构建贝叶斯网络。

3.根据权利要求1所述的一种大型活动踩踏事故动态风险评估方法，其特征在于，所述步骤S2中当踩踏事故数据有限时，贝叶斯网络模型的建立过程如下：

S21.根据踩踏事故的原因和后果建立踩踏事故的Bow-Tie模型，分析踩踏事故的致因路径，确定贝叶斯网络的结构，识别踩踏事故发生前后的影响因素；

S22.采用德尔菲方法和突变理论确定贝叶斯网络的条件概率表，并结合步骤S21中踩踏事故的各影响因素之间的逻辑关系构建踩踏事故贝叶斯网络模型。

4.根据权利要求3所述的一种大型活动踩踏事故动态风险评估方法，其特征在于：所述步骤S21中分析踩踏事故的致因路径根据系统事故致因理论分为人员因素、活动场地因素、环境因素、管理缺陷。

5.根据权利要求3所述的一种大型活动踩踏事故动态风险评估方法，其特征在于：所述步骤S21中将踩踏事故的原因和后果结合为Bow-Tie模型，将踩踏事故作为中间事件，识别出来的导致踩踏事故发生的原因位于Bow-Tie模型的左侧，踩踏事故发生后所包含的应急保护措施和不同的事故后果位于Bow-Tie模型的右侧。

6.根据权利要求3所述的一种大型活动踩踏事故动态风险评估方法，其特征在于，所述步骤S21中通过Bow-Tie模型确定贝叶斯网络的结构，转化关系如下：

导致踩踏事故的基本事件转化为贝叶斯网络中的父节点，中间事件转化为贝叶斯网络的子节点，踩踏事故转化为贝叶斯网络的枢纽节点，根据事故的严重程度，按人员伤亡、经济损失、社会秩序、影响范围四个方面转化为不同的子节点。

7.根据权利要求3所述的一种大型活动踩踏事故动态风险评估方法，其特征在于，步骤S22中应用德尔菲方法和突变理论确定贝叶斯网络的条件概率表的过程如下：

S221.制定关于大型活动中影响踩踏事故发生的可能性风险调查问卷；

S222.对踩踏事故风险问卷调查中相关节点的概率进行判断；

S223.汇总、整理步骤S222中的数据，根据一致性检验标准判断步骤S222中相关节点的概率是否一致；

S224.如果不一致，则调整相关节点内容，重新进行步骤S222，如此反复直至结果一致。

8.根据权利要求7所述的一种大型活动踩踏事故动态风险评估方法，其特征在于：所述一致性检验标准为克隆巴赫信度系数大于或等于0.8。

9.根据权利要求3所述的一种大型活动踩踏事故动态风险评估方法，其特征在于：所述贝叶斯网络中父节点的状态概率通过德尔菲方法获取，子节点的状态概率根据贝叶斯网络中父节点的个数选择对应的突变模型，获取量化递归计算值；

父节点之间若存在互补关系，则取多个父节点的平均值作为上一级子节点的突变级数值；若不存在互补关系，则取多个父节点的最小值作为上一级子节点的突变级数值，根据子节点的个数选择相应的突变模型并获取系统层突变级数值，以此处理步骤S22中的概率数据，获得导致踩踏事故的条件概率表。

10.根据权利要求1所述的一种大型活动踩踏事故动态风险评估方法，其特征在于：所述步骤S3中，根据构建的贝叶斯网络模型，设置不同的事故场景，分析导致踩踏事故发生的致因路径，改变节点的发生概率，利用贝叶斯网络的推理功能，动态地预测某个场景下的事故后果，利用敏感性分析识别影响踩踏按事故发生的关键因素，从重要因素入手采取措施以减少踩踏事故的发生，并降低事故后果的严重性。