论文部分内容阅读
[摘要]以航空公司为研究对象，从“人、物、环、管”四个方面分析影响危险货物航空运输安全的因素，结合层次分析法，建立危险货物航空运输动态安全评价指标体系。运用BP神经网络进行危险货物航空运输动态安全评价模型构建。以业内专家对14家航空公司的评价为原始数据，借助mat-lab、VC等计算机辅助工具求解动态安全评价模型，得出各安全评价指标的权重。实际应用动态安全评价模型对航空公司的危险货物运输情况进行评价，验证了评价模型的合理性。应用该动态评价模型能为危险货物航空运输的安全管理提供决策支持。
[关键词]危险货物；航空运输；BP神经网络；动态安全评价；指标变权
[中图分类号]U16；F562；V328 [文献标识码]A [文章编号]1005—152X（2017）03—0071—04
1引言
物流业的快速发展给人们的生活带来诸多的便利。随着人们越来越关注货物运送的速度，航空运输便成了物流的首选。各种各样的货物，尤其危险货物，通过航空运输既保证了时效性，又给航空运输企业带来巨大的安全风险。对于高风险高回报的危险货物运输，航空运输企业是爱恨交加。随着危险货物航空运输周转量的逐年增加，如何保证危险货物安全航空运输，已成为航空物流业关注的热点。
安全评价作为安全系统工程的重要内容之一。对危险货物航空运输进行安全评价，有利于危险货物航空运输安全性的提高。目前系统的安全分析一般采用静态评价方法，通常只考虑各安全评价指标的相对权重，对各安全评价指标的组合状态缺乏考虑，不能有效解决系统内部的非线性问题且不适应于安全评价指标权重变化的情况。危险货物航空运输是一个复杂的、模糊的、动态变化的运输生产系统，在很多方面表现出明显的非线性关系。本文拟通过BP神经网络方法构建一个动态安全评价模型，克服危险货物航空运输系统内部的非线性问题，对危险货物航空运输进行客观的安全评价。
2危险货物航空运输安全评价方法的选择
危险货物航空运输生产系统涉及诸多状态变量，其中部分状态变量很难确定，各个状态变量间影响关系非常复杂，且保持一种动态关系，一般的线性方程、微分方程很难求解。
人工神经网络能处理那些不能用简单公式进行描述的系统问题，并且在解决规律不明确的问题时具有较大的优越性，能避免人为确定指标权重时主观因素的影响，也能避免完全依照数值来确定权重时与真实的情况不相符的情况。王志等人利用BP神经网络方法构建非煤地下矿山安全评价模型，对具有复杂性和非线性特性的非煤地下矿山进行安全评价，构建的模型具有较高的准确性。张力等基于DPSIR和BP神经网络建立安全绩效评估模型，对M企业进行安全绩效评估，评价的结果与真实情况相符。王起全等将BP神经网络应用于大型活动拥挤踩踏事故系统的安全评估，评估结果直观易懂，可操作性强。
鉴于危险货物航空运输系统动态、模糊、随机性的特点，采用BP神经网络构建危险货物航空运输动态安全评价模型，对安全评价指标的变权进行分析，解决各安全影响因素之间的非线性关系。
3危险货物航空运输动态安全評价模型
3.1评价指标体系
安全评价指标的选取是安全评价的核心问题，不同的评价指标会得到不同的评价结果。从安全系统工程的原理出发，运用层次分析方法，从“人、物、环、管”四个角度分析并构建航空公司的安全评价指标体系。
“人的因素”主要包括：工作人员的技能素质，是否受过相关的培训和是否掌握危险货物航空运输的专业知识；工作人员的安全意识，是否能意识到工作过程中有违章行为，是否能意识到差错对危险货物航空运输的安全产生影响；工作人员的责任心，直接关系到安全管理的执行情况；工作人员流动比率，人员的流失与变更势必会对危险货物航空运输的安全造成影响。
“物料因素”主要包括以下几个方面：首先，危险货物的理化特l生，危险货物的不安全状态是影响危险货物航空运输的物质基础。危险货物共分为9大类。当危险货物的不安全状态达到一定条件就会发生事故。其次，如果危险货物不能被正确识别，很容易被当成普通货物进行处理，为其航空运输埋下安全隐患。最后，危险货物包装是否正确，在危险货物航空运输过程中起到举足轻重的作用，危险货物包装不合理往往导致不安全事件发生。
“运输环境”主要包括：危险货物包装件所处特殊运输环境的压力、温湿度等。飞机在空中飞行环境的压力、温度要低于地面，会影响到危险货物的稳定状态。由于气流的影响，飞机在空中飞行时往往会遇到颠簸的情况，飞机的颠簸势必会对危险货物造成影响，比如锂电池受到振动可能会发生内部短路，进而发生冒烟起火。
“管理的因素”主要包括：航空公司的规章制度是否完善，包括安全培训制度、安全自查制度、安全宣传制度等；危险货物运输操作规程是否科学严谨；公司是否备案培训大纲；业务培训情况等。管理上的不足是事故的间接原因。
危险货物航空运输安全评价中并非选取的指标越多越好，选取关键指标对评价具有重大意义。分析国内外发生的危险货物事故征候及不安全事件，并结合上述讨论得出危险货物航空运输安全评价指标体系如图1所示。
3.2评价模型构建
构建BP神经网络的拓扑结构需要确定输入输出节点数、网络层数、隐含层数及隐含层节点数四个方面。四个方面的设置是否科学合理对最终评价结果的准确性有很大影响。
（1）输入输出节点数。BP神经网络输入输出节点数是根据模型要解决的实际问题决定的。基于层次分析法，在危险货物航空运输安全评价指标体系中包含1个一级评价指标，4个二级评价指标和13个三级评价指标，因此确定BP神经网络的输入层有13个节点。本文是对航空公司危险货物航空运输的安全性进行评价，输出的结果对应航空公司危险货物航空运输安全表现，故确定BP神经网络的输出层有1个节点。 （2）网络层数。对于BP神经网络而言，增加隐含层层数和增加隐含层节点数均可以提高训练质量，降低训练误差。3层BP神经网络相较多层BP神经网络而言，训练效果更容易观察，网络结构更容易调整，而且3层BP神经网络已能以任何精度逼近有界区域上的任意连续函数。因此，评价模型选用含有一个隐含层的3层BP神经网络（如图2）。
（3）隐含层节点数。隐含层节点数的确定必须满足以下条件：
①隐含层节点数不能大于N-1（N为训练样本数），否则会使得网络模型的系统误差由于和训练样本的特征无关而无限趋向于零。
②训练样本数不能少于模型的连接权数，一般设定为2-10倍；否则样本必须分成几部分并采用“轮流训练”的方法才可能得到可靠的神经网络模型。本文采用试算法确定隐含层的节点数。根据公式计算出来的隐含层节点数作为试算法的初始值。
式中m为隐含层节点数，n为输入层节点数，1为输出层节点数，a为1-10之间的常数。经过多次试算，选择训练误差最小网络结构确定隐含层节点数，即隐含层节点数目为6。
3.3评价指标权重确定
建立BP神经网络学习算法的目的是确定评价指标的权重，而BP神经网络训练得到的结果只是各神经网络神经元之间的关系，要想得到输入因素相对于输出因素之间的真实关系，也就是输入因素对输出因素的决策权重，还需要对各神经元之间的权重加以分析处理，为此利用以下几项指标来描述输入因素和输出因素之间的关系。
根据式（2）-式（4）对各神经元之间的权重加以分析处理，便可得到输入因素对输出单元的决策权重，即权重系数。
4危险货物航空运输动态安全评价实例计算
4.1原始数据准备
应用BP神經网络需要原始数据进行网络训练，上述分析的安全评价指标中既有定量指标又有定性指标。对于定量指标进行统计计算；对于定性指标，邀请来自航空公司和危险货物航空运输教学的老师根据实际情况对行业内14家有危险货物航空运输资质的航空公司进行打分。具体的评分标准如下：0-0.25表示此项指标“差”，0.26-0.5表示此项指标“一般”，0.51-0.75表示此项指标“良好”，0.76-1表示此项指标“优秀”。对各个老师评分进行数值处理，得到各个指标的得分作为训练样本值。
输入网络的数据具有不同的物理意义，需要对数据进行归一化处理使输入的数据在模型中处于同等地位。归一化处理公式如下：
根据老师们对以往各个航空公司运输危险货物业务水平的了解，对各个航空公司进行综合评分，所得的综合评分作为期望输出，见表2。
4.2模型训练及结果
构建BP神经网络的拓扑结构，设置网络参数，对所有的样本进行训练，当训练达到所需要的精度后结束，得到输入层与隐含层的权值矩阵IW及隐含层与输出层的权值矩阵LW。
根据式（2）-式（4），运用C语言编译器进行编程计算，确定各个安全评价指标的权重见表3。
4.3模型的合理性检验
选择国内某航空公司进行危险货物运输安全评价，经审计给出的结论是该航空公司危险货物航空运输的整体水平有待提高，需提高危险货物航空运输有关人员的技能，加强危险货物航空运输安全文化建设。请上述来自航空公司和危险货物航空运输教学的老师对部分指标进行打分，工作人员技能素质为0.84，工作人员安全意识为0.29，工作人员责任心为0.48，所运输危险货物的理化性质为0.67，压力为0.82，振动为0.43，规章制度完善情况为0.80，操作规程科学完善情况为0.91，安全培训情况分值为0.87。而工作人员流动比率、危险货物识别率及危险货物包装正确率分别为25%、98%和97%。对上述分值进行加权求和，算得结果为0.75。该评价结果落在置信区间0.51-0.75中，表明该航空公司危险货物运输安全水平为“良好”。对比发现，通过动态安全评价模型得出的结论较为合理，能够较好的反应航空公司危险货物运输的安全水平。
5结束语
本文对航空公司危险货物运输业务进行分析，从“人、物、环、管”四个角度出发确定影响危险货物航空运输安全的因素，形成危险货物航空运输安全评价指标体系。运用BP神经网络建立危险货物航空运输动态安全评价模型，根据航空公司的情况进行安全现状评价，为危险货物航空运输安全评价提供了新的思路。
虽然运用BP神经网络建立了上述的安全评价模型，但是训练样本较少，如果能采集到更多样本数据，动态评价模型的精度将会进一步提高。同时随着航空公司的安全管理水平不断提高，各个安全指标的权重也会发生相应的变化，定期对危险货物航空运输动态安全评价模型进行修正，可以使其更符合实际运输生产的需要，有利于航空公司进行有针对性的安全管理，有利于航空物流业健康发展。
[关键词]危险货物；航空运输；BP神经网络；动态安全评价；指标变权
[中图分类号]U16；F562；V328 [文献标识码]A [文章编号]1005—152X（2017）03—0071—04
1引言
物流业的快速发展给人们的生活带来诸多的便利。随着人们越来越关注货物运送的速度，航空运输便成了物流的首选。各种各样的货物，尤其危险货物，通过航空运输既保证了时效性，又给航空运输企业带来巨大的安全风险。对于高风险高回报的危险货物运输，航空运输企业是爱恨交加。随着危险货物航空运输周转量的逐年增加，如何保证危险货物安全航空运输，已成为航空物流业关注的热点。
安全评价作为安全系统工程的重要内容之一。对危险货物航空运输进行安全评价，有利于危险货物航空运输安全性的提高。目前系统的安全分析一般采用静态评价方法，通常只考虑各安全评价指标的相对权重，对各安全评价指标的组合状态缺乏考虑，不能有效解决系统内部的非线性问题且不适应于安全评价指标权重变化的情况。危险货物航空运输是一个复杂的、模糊的、动态变化的运输生产系统，在很多方面表现出明显的非线性关系。本文拟通过BP神经网络方法构建一个动态安全评价模型，克服危险货物航空运输系统内部的非线性问题，对危险货物航空运输进行客观的安全评价。
2危险货物航空运输安全评价方法的选择
危险货物航空运输生产系统涉及诸多状态变量，其中部分状态变量很难确定，各个状态变量间影响关系非常复杂，且保持一种动态关系，一般的线性方程、微分方程很难求解。
人工神经网络能处理那些不能用简单公式进行描述的系统问题，并且在解决规律不明确的问题时具有较大的优越性，能避免人为确定指标权重时主观因素的影响，也能避免完全依照数值来确定权重时与真实的情况不相符的情况。王志等人利用BP神经网络方法构建非煤地下矿山安全评价模型，对具有复杂性和非线性特性的非煤地下矿山进行安全评价，构建的模型具有较高的准确性。张力等基于DPSIR和BP神经网络建立安全绩效评估模型，对M企业进行安全绩效评估，评价的结果与真实情况相符。王起全等将BP神经网络应用于大型活动拥挤踩踏事故系统的安全评估，评估结果直观易懂，可操作性强。
鉴于危险货物航空运输系统动态、模糊、随机性的特点，采用BP神经网络构建危险货物航空运输动态安全评价模型，对安全评价指标的变权进行分析，解决各安全影响因素之间的非线性关系。
3危险货物航空运输动态安全評价模型
3.1评价指标体系
安全评价指标的选取是安全评价的核心问题，不同的评价指标会得到不同的评价结果。从安全系统工程的原理出发，运用层次分析方法，从“人、物、环、管”四个角度分析并构建航空公司的安全评价指标体系。
“人的因素”主要包括：工作人员的技能素质，是否受过相关的培训和是否掌握危险货物航空运输的专业知识；工作人员的安全意识，是否能意识到工作过程中有违章行为，是否能意识到差错对危险货物航空运输的安全产生影响；工作人员的责任心，直接关系到安全管理的执行情况；工作人员流动比率，人员的流失与变更势必会对危险货物航空运输的安全造成影响。
“物料因素”主要包括以下几个方面：首先，危险货物的理化特l生，危险货物的不安全状态是影响危险货物航空运输的物质基础。危险货物共分为9大类。当危险货物的不安全状态达到一定条件就会发生事故。其次，如果危险货物不能被正确识别，很容易被当成普通货物进行处理，为其航空运输埋下安全隐患。最后，危险货物包装是否正确，在危险货物航空运输过程中起到举足轻重的作用，危险货物包装不合理往往导致不安全事件发生。
“运输环境”主要包括：危险货物包装件所处特殊运输环境的压力、温湿度等。飞机在空中飞行环境的压力、温度要低于地面，会影响到危险货物的稳定状态。由于气流的影响，飞机在空中飞行时往往会遇到颠簸的情况，飞机的颠簸势必会对危险货物造成影响，比如锂电池受到振动可能会发生内部短路，进而发生冒烟起火。
“管理的因素”主要包括：航空公司的规章制度是否完善，包括安全培训制度、安全自查制度、安全宣传制度等；危险货物运输操作规程是否科学严谨；公司是否备案培训大纲；业务培训情况等。管理上的不足是事故的间接原因。
危险货物航空运输安全评价中并非选取的指标越多越好，选取关键指标对评价具有重大意义。分析国内外发生的危险货物事故征候及不安全事件，并结合上述讨论得出危险货物航空运输安全评价指标体系如图1所示。
3.2评价模型构建
构建BP神经网络的拓扑结构需要确定输入输出节点数、网络层数、隐含层数及隐含层节点数四个方面。四个方面的设置是否科学合理对最终评价结果的准确性有很大影响。
（1）输入输出节点数。BP神经网络输入输出节点数是根据模型要解决的实际问题决定的。基于层次分析法，在危险货物航空运输安全评价指标体系中包含1个一级评价指标，4个二级评价指标和13个三级评价指标，因此确定BP神经网络的输入层有13个节点。本文是对航空公司危险货物航空运输的安全性进行评价，输出的结果对应航空公司危险货物航空运输安全表现，故确定BP神经网络的输出层有1个节点。 （2）网络层数。对于BP神经网络而言，增加隐含层层数和增加隐含层节点数均可以提高训练质量，降低训练误差。3层BP神经网络相较多层BP神经网络而言，训练效果更容易观察，网络结构更容易调整，而且3层BP神经网络已能以任何精度逼近有界区域上的任意连续函数。因此，评价模型选用含有一个隐含层的3层BP神经网络（如图2）。
（3）隐含层节点数。隐含层节点数的确定必须满足以下条件：
①隐含层节点数不能大于N-1（N为训练样本数），否则会使得网络模型的系统误差由于和训练样本的特征无关而无限趋向于零。
②训练样本数不能少于模型的连接权数，一般设定为2-10倍；否则样本必须分成几部分并采用“轮流训练”的方法才可能得到可靠的神经网络模型。本文采用试算法确定隐含层的节点数。根据公式计算出来的隐含层节点数作为试算法的初始值。
式中m为隐含层节点数，n为输入层节点数，1为输出层节点数，a为1-10之间的常数。经过多次试算，选择训练误差最小网络结构确定隐含层节点数，即隐含层节点数目为6。
3.3评价指标权重确定
建立BP神经网络学习算法的目的是确定评价指标的权重，而BP神经网络训练得到的结果只是各神经网络神经元之间的关系，要想得到输入因素相对于输出因素之间的真实关系，也就是输入因素对输出因素的决策权重，还需要对各神经元之间的权重加以分析处理，为此利用以下几项指标来描述输入因素和输出因素之间的关系。
根据式（2）-式（4）对各神经元之间的权重加以分析处理，便可得到输入因素对输出单元的决策权重，即权重系数。
4危险货物航空运输动态安全评价实例计算
4.1原始数据准备
应用BP神經网络需要原始数据进行网络训练，上述分析的安全评价指标中既有定量指标又有定性指标。对于定量指标进行统计计算；对于定性指标，邀请来自航空公司和危险货物航空运输教学的老师根据实际情况对行业内14家有危险货物航空运输资质的航空公司进行打分。具体的评分标准如下：0-0.25表示此项指标“差”，0.26-0.5表示此项指标“一般”，0.51-0.75表示此项指标“良好”，0.76-1表示此项指标“优秀”。对各个老师评分进行数值处理，得到各个指标的得分作为训练样本值。
输入网络的数据具有不同的物理意义，需要对数据进行归一化处理使输入的数据在模型中处于同等地位。归一化处理公式如下：
根据老师们对以往各个航空公司运输危险货物业务水平的了解，对各个航空公司进行综合评分，所得的综合评分作为期望输出，见表2。
4.2模型训练及结果
构建BP神经网络的拓扑结构，设置网络参数，对所有的样本进行训练，当训练达到所需要的精度后结束，得到输入层与隐含层的权值矩阵IW及隐含层与输出层的权值矩阵LW。
根据式（2）-式（4），运用C语言编译器进行编程计算，确定各个安全评价指标的权重见表3。
4.3模型的合理性检验
选择国内某航空公司进行危险货物运输安全评价，经审计给出的结论是该航空公司危险货物航空运输的整体水平有待提高，需提高危险货物航空运输有关人员的技能，加强危险货物航空运输安全文化建设。请上述来自航空公司和危险货物航空运输教学的老师对部分指标进行打分，工作人员技能素质为0.84，工作人员安全意识为0.29，工作人员责任心为0.48，所运输危险货物的理化性质为0.67，压力为0.82，振动为0.43，规章制度完善情况为0.80，操作规程科学完善情况为0.91，安全培训情况分值为0.87。而工作人员流动比率、危险货物识别率及危险货物包装正确率分别为25%、98%和97%。对上述分值进行加权求和，算得结果为0.75。该评价结果落在置信区间0.51-0.75中，表明该航空公司危险货物运输安全水平为“良好”。对比发现，通过动态安全评价模型得出的结论较为合理，能够较好的反应航空公司危险货物运输的安全水平。
5结束语
本文对航空公司危险货物运输业务进行分析，从“人、物、环、管”四个角度出发确定影响危险货物航空运输安全的因素，形成危险货物航空运输安全评价指标体系。运用BP神经网络建立危险货物航空运输动态安全评价模型，根据航空公司的情况进行安全现状评价，为危险货物航空运输安全评价提供了新的思路。
虽然运用BP神经网络建立了上述的安全评价模型，但是训练样本较少，如果能采集到更多样本数据，动态评价模型的精度将会进一步提高。同时随着航空公司的安全管理水平不断提高，各个安全指标的权重也会发生相应的变化，定期对危险货物航空运输动态安全评价模型进行修正，可以使其更符合实际运输生产的需要，有利于航空公司进行有针对性的安全管理，有利于航空物流业健康发展。