摘  要： 為提升企業自身的隱患治理能力，借鑒軟件能力成熟度模型，提出了隱患治理能力成熟度的概念，建立隱患治理能力成熟度五級模型，構建評估指標體系，基于專家評估法和自組織特征映射神經網絡提出組合評估方法。實驗結果表明，所提出的模型與方法可實現智能化評估企業隱患治理能力，并為強化隱患排查治理長效機制提供參考依據。

　　關鍵詞： 能力成熟度模型；隱患治理；自組織特征映射神經網絡

　　0 引言

　　隱患排查治理體系的研究工作在我國開展比較晚，《安全生產事故隱患排查治理暫行規定》已經于2007年12月22日國家安全生產監督管理總局局長辦公會議審議通過，并自2008年2月1日起施行。

　　目前，我國在安全隱患治理方面的研究大多數是基于安全評價指標來確定隱患的安全等級或考核狀態[1-4]，但是還鮮有對企業的安全隱患治理能力進行評測的研究，如何針對企業的隱患治理工作進行有效監督與量化管理，并進一步指導企業安全生產是當前安全監管部門和大多數企業管理者所面臨的問題。因此，本文主要運用軟件工程學和軟件過程管理、質量管理等理論對企業隱患治理能力的成熟度的評測進行研究，以煤炭企業的隱患治理能力為研究對象，并針對礦山隱患治理能力成熟度及相關數據的處理進行分析、研究與應用。

　　1 能力成熟度模型

　　1．1 軟件能力成熟度模型

　　美國卡內基·梅隆大學（Carnegie Mellon）軟件工程研究所（Software Engineering Institute，SEI）早在20世紀80年代中期提出了軟件能力成熟度模型（Software Capability Maturity Model，SW-CMM）理論，CMM是一種將軟件組織的開發過程中的定義、實現、度量、控制以及改進等過程劃分為不同可控制、可量化的管理階段的方法[5-6]。CMM的發展歷程以及其中主要的里程碑[7]如圖1所示。

　　CMM為軟件開發提供了一個評估當前生產過程能力的準則，這個準則可為軟件生產過程提供改進的依據，并且指導企業進行軟件質量改善。它是基于關鍵過程的理論發展而來的，以工業界和政府機構的軟件過程評估及反饋意見為依據。CMM是多級框架，側重于對軟件開發過程的管理和工程能力的評估與改進，是國際上評估軟件生產過程能力成熟度領域被普遍接受和采納的一套標準。通過有效地運用能力成熟度思想，可以在軟件工程領域及軟件產業中很好地體現企業管理學中的理念。軟件能力成熟度模型CMM的提出為軟件開發領域提供了可量化的管理、監督和評估手段，產生了巨大的生產實踐價值，推進了軟件工程學科的發展。為了借鑒CMM的管理思想，其他相關學科的研究人員也基于CMM模型相繼提出各種衍生或改進模型，其中代表性的模型[8]有：系統工程CMM模型（System Engineering CMM，SE-CMM）、軟件獲取CMM模型（Software Acquisition CMM，SA-CMM）、集成產品群組CMM模型（Integrated Product Team CMM，IPT-CMM）和人力資源能力成熟度模型（People CMM，P-CMM）。

　　自SEI發布CMM以來，推動了美國、歐洲、日本、印度以及中國等國家和地區的軟件產業從小型自由式的開發模式走向大規模的規范化的開發模式和流程。但是這些研究成果中大多是將CMM理論應用于不同的領域，而在安全管理中隱患治理方面的應用研究還處于探索階段。因此，本文主要基于CMM理論面向安全生產領域中隱患治理能力的評估進行研究和應用。我國對于軟件產業的重視程度也越來越深，并且相繼制定了兩項關于軟件行業的標準，分別為SJ/T 11234-2001《軟件過程能力評估模型》和SJ/T 11235-2001《軟件能力成熟度模型》，在標準中詳細地描述了軟件工程中所涉及的各類活動，用于支撐軟件產業綜合性的發展。

　　在上述研究中，大部分研究人員主要是基于CMM理論進行應用研究，將CMM應用于各個行業，但是對于CMM中涉及的關鍵過程域問題研究較少，當前CMM評估方法主要依賴于人工方式，將人工方式轉化為智能化、自動化方式將會提高評估效率、減少人員評估的主觀因素影響。因此，本文將研究基于評估指標體系，提出一種專家法和自組織映射神經網絡的組合評估方法。

　　1.2 隱患排查治理成熟度模型

　　隱患指隱藏或潛在的、可能引起事故發生的禍患[9]，一般指明顯有缺陷的事物，在日常的生產和生活中普遍存在。在安全生產領域中，依據相關法規《安全生產事故隱患排查治理暫行規定》和國家標準《職業安全衛生術語》，隱患的屬性主要表現為人員、事物以及管理三方面的不安全行為或狀態及存在的缺陷問題。從事故致因理論的視角來理解，隱患表現為可能導致事故的直接或間接影響因素。

　　相關研究工作有國家安全監管總局開展的隱患排查體系工作以及風險預控體系研究等。2006年，神華集團建立了基于風險預控的安全管理模式，在安全評價實踐中總結出10個方面40個分解內容，并進行了一定的應用；國家安全監管總局也在2012年開展了隱患排查示范工程項目的工作，建立了隱患排查體系，主要研究隱患排查工作及管理體系，但是并沒有將隱患排查治理進行理論化指標化評估，僅僅是對隱患排查工作的考核，并沒有對隱患治理能力的成熟度進行研究。隱患排查治理工作是過程性工作，隱患治理過程是一個動態、循序漸進的過程，它與軟件工程學中的測試、缺陷的發現與修正等過程極為相似，而且也具備軟件過程管理中類似的過程性、循環改善等特點，兩者相似性對比如表1所示。

　　因此，本文基于CMM提出了隱患治理能力成熟度的概念及模型（Person and CMM，PCMM），基于專家評估法和自組織特征映射（Self-Organizing Feature Map，SOFM）神經網絡構造了一種隱患治理能力成熟度的組合評估法。隱患治理能力成熟度是指治理隱患的能力所達到的成熟程度。其中，安全隱患治理能力成熟度關鍵過程域和成熟度等級模型框架如表2和圖2所示。

　　圖2中，成熟度分為5級，各級含義如下：

　?。?）初始級：一種無序的混亂的隱患排查與治理的管理狀態，流程控制不清晰，分工不明確。

　?。?）可重復級：實現按照計劃管理隱患排查流程，隱患排查、整改、復查及銷項都是可以重復執行的過程環節。

　?。?）已定義級：在煤礦安全監管監察部門的監督管理中，實現企業和監督管理部門的協同治理流程。

　?。?）定量管理級：隱患治理及監督管理專業小組進行有序的協作管理，并且在管理過程中不斷進行相關活動數據的專業性度量，為企業自身改善管理方式、提升能力水平提供協助。

　　（5）優化級：企業內部遵循標準化的流程進行可控的隱患治理流程活動，并且企業可以在實踐中進行自身持續改進。

2 成熟度評估方法

　　遵循可行性、科學性、系統性等原則，建立評價指標體系，參考國內相關學者的研究內容[9]，以礦山或煤礦安全生產為應用實例，總結出側重于考核煤礦安全方面管理及人員綜合素質的煤礦隱患治理能力成熟度評測指標體系（如表3所示），實際應用中可酌情進行裁剪和調整。本文提出了一套評價煤礦隱患治理能力成熟度模型，但是各指標對模型的影響不同，需要一種合適的方法來計算其權重。SOFM神經網絡方法普適性好，并且它的聚類分析過程可以推導出指標的權重，因此，比較適合用于上述情況。首先需用專家調研法進行預評估，將結果作為SOFM神經網絡訓練和學習的樣本，通過學習，使SOFM具有辨識和分類特征的能力。

　　2．1 SOFM神經網絡概述

　　SOFM神經網絡的一個重要特點是最大程度地保持臨近關系的拓撲結構的性質不發生變化，其主要思想是在學習過程中逐步對神經元之間的作用臨域進行縮小，并按照相應的學習規則對中心神經元的激活程度進行增強，以此消除各個神經元相互間的側向連接，在其中一次（或一組）僅有一個神經元“激活”[10]，達到模擬人腦神經系統“近興奮遠抑制”的狀態和效果。SOFM神經網絡學習過程是一種無監督（無導師）的競爭型學習網絡，在學習中能夠無導師地進行自組織學習。

　　2.2 SOFM神經網絡學習過程

　?。?）網絡初始化。輸入層有m個神經元，輸出層（競爭層）由j個“鄰接神經元”組成的集合Sj，Sj（t）表示時刻t的“鄰接神經元”的集合。輸入層的輸入向量為X=（x1，x2，…，xm）T。

　?。?）計算獲勝的神經元。在輸出層，計算各個神經元的權值向量與輸入向量的歐式距離，輸出層的第j個神經元和輸入向量的距離為：

　　其中，f（min‖X-Wj‖）為0~1區間函數或非線性函數。

　?。?）收斂性檢測。如果權值按某種設定的準則迭代收斂，則停止；否則k增加1，轉到步驟（2）進行下一輪學習。

　　2.3 評估模型

　　SOFM神經網絡學習的過程是不斷進行聚類的過程，當評估對象沒有權值向量時，首次進行學習時需要預先請若干專家對于評估的數據給出預評估（即專家法），綜合專家的評估結果作為SOFM神經網絡學習過程中的訓練樣本，此后可以根據訓練和學習的“經驗”，利用SOFM神經網絡學習過程計算獲勝神經元進行評估。這樣可避免單純依賴專家評估引入的主觀因素的影響，同時也可以學習專家的經驗并運用人工智能方式實現智能化信息處理。評估模型如圖3所示。

　　2.4 實例分析

　　本文提出的指標體系含有19個評估指標，主要用于驗證算法的合理性、適用性與有效性。分別選取2011~2012年北京和山西部分煤礦的相關數據，并整理出8個礦區不同時期內采集得到的24組數據。結合以往經驗、數據，以及建立的煤礦隱患治理能力成熟度關鍵過程域分布和特征，專家針對每一項指標進行等級評估，取值范圍為1～5，評估結果y如表4所示。

　　這部分的試驗環境采用MATLAB R2011，將專家評估的24組數據中前22組數據用于SOFM神經網絡進行訓練和學習的樣本數據，后面2組數據作為測試數據用來檢驗學習的效果。經過訓練和學習的SOFM神經網絡的獲勝神經元統計結果如圖4所示，專家評估結果和SOFM神經網絡的評估結果對比如表5所示。SOFM神經網絡訓練樣本的結果中，每一個獲勝神經元都對應一個專家評估的成熟度等級，那么測試數據中，找到獲勝神經元編號對應的成熟度等級即可表示成熟度等級。

　　圖4中神經元編號從左至右、從下至上進行逐一編號。從圖中可看出在訓練過程中，編號1神經元獲勝4次，編號7神經元獲勝3次，編號3、8、9、11、12神經元各獲勝2次，而其余神經元獲勝次數均為1次。從圖4和表5可看出，樣本編號23、24的專家評估結果分別為第4級和第5級，經過SOFM神經網絡訓練之后，23號樣本學習結果為第7號獲勝神經元對應等級為4，24號樣本學習結果為第4號獲勝神經元對應等級為5，與專家評估的結果一致。試驗表明此方法能夠在評估的指標權重等數據不完備，以及期望結果試驗難以得出或計算的情況下適用。由于篇幅有限，以上數據部分省略表示。

3 結論

　?。?）基于CMM理論，分析企業安全隱患排查治理流程，對比其與軟件工程中查找軟件缺陷并改正的相似性，提出了企業安全隱患治理能力成熟度概念及模型與關鍵過程域。

　?。?）研究企業隱患治理流程中關鍵的影響因素以及其他研究成果，發現隱患治理中的關鍵影響因素分為人員和管理2個方面，進而整理并提出相應的評估指標體系。

　?。?）運用人工智能方法，提出基于專家法和SOFM神經網絡的隱患治理能力成熟度的組合評估方法。試驗結果證明，這個模型能夠較為科學規范地對煤礦企業隱患治理能力成熟度等級進行劃分與評估。此方法也可用于非煤礦山等隱患排查治理工作中。

　　（4）在對CMM進行改進應用的過程中，未結合軟件能力成熟度模型集成模型理論進行深入探討和分析，對此還需展開進一步的研究。

參考文獻

　　[1] HATTON W， WHATELEY M K G. Risk assessment applied to coal tonnage estimation in the United Kingdom[J]. International Journal of Rock Mechanics and Mining Science & Geomechanics Abstracts，1995，32（6）：275-276.

　　[2] D?譈ZG?譈N H S B. Analysis of roof fall hazards and risk assessment for Zonguldak coal basin underground mines[J]. International Journal of Coal Geology， 2005，64（1/2）：104-115.

　　[3] 許滿貴.煤礦動態綜合安全評價模式及應用研究[D].西安：西安科技大學，2006.

　　[4] 鄭媛．基于小波神經網絡的礦山事故隱患安全評價系統的設計[D].青島：山東科技大學，2011．

　　[5] HUMPHREY W S.Characterizing the software process： a maturity framework[J]. IEEE Software， 1988，5（2）：73-79.

　　[6] CHRISSIS M B， KONRAD M， SHRUM S. CMMI： guidelines for process integration and product improvement[M]. Boston： Addision Wesley， 2003.

　　[7] PAULK M C. Using the software CMM in small organizations[C]. Pacific Northwest Software Quality Conference， 1998：350-361.

　　[8] ZAHRAN S[美]. 軟件過程改進[M].陳新，羅勁楓，譯.北京：機械工業出版社，2002.

　　[9] 吳同性，易明，李奇明，等.基于文化塑造的煤礦本質安全管理研究[M].武漢：中國地質大學出版社，2011.

　　[10] TEUVO K.The self-organizing map[J]. Neurocomputing， 1998，21（1/3）：1-6.