中国管理科学投稿格式

安全事故现状与趋势 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 方法研究刘卓军1，柳刚1,2（1.中国科学院数学与系统科学研究院，北京100190；2.中国科学院研究生院，北京，100190）摘要：包括安全生产事故预防、控制在内的安全生产监督管理工作需要客观把握安全生产的现状并准确地判断其总体发展趋势。本文基于我国安全生产事故快报数据，对近年安全生产现状做出季节性等分析，并为短期安全生产形势变化的预测与判断不仅提出了三个可行的ARIMA-BP、ARIMA-RBF以及ARIMA-GRNN非线性组合模型而且进一步基于RBF，对前述三个模型再次进行非线性组合，给出了一种新的双重非线性组合趋势分析方法。实证结果表明，双重非线性组合能够较为精确地预测安全生产事故的发展趋势，可以为安全生产事故的预防、控制和应对提供管理和决策支持。关键词：安全生产；ARIMA模型；BP模型；RBF模型；GRNN模型；非线性组合中图分类号：文献标识码：1引言目前，安全生产仍然是世界各国都必须面对和应对的重大问题。对此，我国坚持“安全第一，预防为主，综合治理”的方针。显然，通过对各类安全生产事故的现状和特征分析有助于认识安全生产事故的规律，通过对安全生产事故发展趋势的准确判断有助于对安全生产事故的预防、控制和应对做出有效的决策。国内外关于安全生产事故研究的报告[1]和文献很多，主要集中在以下方面:(1)某一类安全事故的预测预警，如李书全和窦艳杰(2008)[2]针对建筑安全事故，提出了RS—SVM预测模型；钟铭(2009)[3]采用模糊数据融合算法，对煤矿瓦斯进行预警；(2)安全事故发生的规律分析，主要包括：安全事故的成因分析，安全事故与相关经济指标之间的关系。如吕海燕(2004)[4]对我国工矿企业、消防火灾、交通等进行总量统计分析，提出了相应的事故统计分析指标体系框架；Kopits和Cropper(2005)[5]专门对交通死亡事故与经济增长的关系作了深入研究；任荣森收稿日期：修订日期：基金项目：国家科技支撑 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 课题《消费品质量安全影响因子研究及 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 研制》(2006BAK04A23)作者简介：刘卓军(1958-)，男(汉族)，黑龙江人，中国科学院数学与系统科学研究院研究员，研究方向：管理科学与工程.(2009)[6]等人建立了油库的多层递阶解释结构模型(ISM)，将油库安全事故成因分为根本原因、直接原因和间接原因三个层次；(3)对安全生产管理的研究，主要包括：对事故管理绩效的评估、城市生产安全事故应急管理能力评价、安全事故损失的计算、安全事故中的风险管理。如牛跃林等人(2008)[7]建立了城市生产安全事故应急管理能力评价指标体系，为城市的生产安全事故应急体系建设提供决策依据；Karen(2009)[8]和Shi(2009)[9]对煤矿安全事故风险管理及造成的损失从政府、行业规模和运营等方面作了探讨。上述已有研究主要围绕特定行业领域展开，而且主要集中在煤矿、建筑工程、交通安全生产事故。固然，安全事故规律需要分不同行业领域进行研究，但也需要整体认识和把握，这样才能制定更科学更完善的国家安全生产战略规划。基于此，本文重点针对安全生产事故的起数及其造成的死亡人数开展方法建模和实证研究。首先把安全生产事故按其造成的死亡人数进行分类，具体地将安全生产事故分成10类：死亡个人的事故为第类(=1,2,…,9)，死亡10人及以上的事故为第10类。这样一种分类方式符合国家安全生产按不同伤亡和损失规模做整体统计的原则。因此，相应的分析结果有助于国家安全生产事故预防、控制和应对的监管工作。显然，对不同类型的事故所采用的处置和应对方式以及相应的资源配置也不同。本文对从2001年1月到2008年12月国家安全生产快报包含的1万7千6百多条数据进行了分类型、分时段、分区域的整理分析和比较,特别结合各类安全生产月平均事故量序列的季节指数图，指出了需要重点关注的月份。由于安全生产管理决策离不开预测，而预测的精度又决定了预测结果的可用性和有效性。所以基于时间序列，建立了10类安全生产事故的数量以及安全生产事故总量的ARIMA-BP、ARIMA-RBF以及ARIMA-GRNN非线性组合预测模型，并结合RBF，构建了基于前述三个模型的双重非线性组合预测方法，提高了预测精度。2安全生产事故现状分析根据国家安全生产监督管理总局官方网站发布的安全生产事故快报数据，对2001-2008年的安全生产状况进行了分类型、分时段、分区域的整理分析和比较,并结合各类安全生产月平均事故量序列季节指数图，指出了需重点关注的月份。2.1年度状况为了分析全国安全生产事故近年发展趋势及其变化，对2001-2008年间的安全事故进行了整理和10个类别的分类统计。整体年度状况见表1。基于表1，把2001-2008年各类安全生产事故的发生变化趋势制成如下的图1。表12001-2008年各类安全生产事故总量统计 事故起数年份 死亡1人 死亡2人 死亡3人 死亡4人 死亡5人 死亡6人 死亡7人 死亡8人 死亡9人 死亡10人及以上 合计 2001年 533 111 209 123 98 52 37 33 25 90 1311 2002年 1445 230 412 200 121 87 40 45 27 109 2716 2003年 1793 265 547 227 141 81 51 46 32 113 3296 2004年 1382 197 640 284 159 96 59 34 18 117 2986 2005年 1339 169 720 296 182 97 45 34 22 126 3030 2006年 134 22 731 258 152 119 55 49 19 94 1633 2007年 3 4 762 283 142 91 55 46 32 78 1496 2008年 4 4 567 215 123 66 55 29 25 88 1176 合计 6633 1002 4588 1886 1118 689 397 316 200 815 图12001-2008年各类安全生产事故每年事故量趋势变化图2.2月度状况采用季节指数对2001-2008年的安全生产事故进行月度趋势分析。假设观测值序列的数据结构以期为一个周期，共有个周期，本文中=12,=8。用表示第类生产事故年第月的事故起数,则第类事故在第月的季节指数。如果季节指数值大于1，那么第类事故该月的事故平均值高于其总的事故平均值；如果季节指数值小于1，那么第类事故该月的事故平均值低于其总的事故平均值。各类事故的季节指数图汇总在下面的图2。图22001-2008年各类安全事故月平均事故量序列季节指数图从季节指数上看，第1类至第5类事故每年的8月份是事故高发期，需要加强监管。特别地，第1类和第5类每年的7月份也需要高度关注。第6类至第10类事故呈现与前面5类不同的特点，第6类需要加强监管的月份是每年的2月、5月和10月；第7类需要加强监管的月份是每年的1月、2月和8月；第8类需要加强监管的月份是每年的1月、4月和7月；第9类需要加强监管的月份是每年的4月、5月和10月；第10类需要加强监管的月份是每年的3月、8月和11月。2.3区域安全生产事故状况为了掌握不同地区安全生产事故的情况，通过数据分析整理，给出了2001-2008年各类安全生产事故在全国各地区的分布情况，见表2:表2我国31个省市区2001-2008年各季度安全生产事故平均总量统计表 省市区 第一季度 第二季度 第三季度 第四季度 01北京市 4.000 6.375 6.000 4.750 02天津市 0.750 1.250 1.375 1.250 03上海市 1.125 2.375 2.125 2.375 04重庆市 42.875 44.875 51.125 43.500 05四川省 71.625 74.875 84.875 83.250 06黑龙江省 13.875 15.000 25.750 19.125 07吉林省 12.875 15.750 18.250 18.750 08辽宁省 9.750 14.000 20.625 14.375 09河北省 16.500 25.500 20.50 19.625 10山西省 11.625 14.250 17.125 14.500 11山东省 7.875 11.375 12.875 12.750 12陕西省 24.375 26.875 32.875 29.500 13河南省 10.125 13.750 14.500 7.625 14湖北省 10.500 10.125 8.375 7.625 15湖南省 41.875 48.500 61.000 47.000 16江西省 4.500 8.000 9.500 6.375 17安徽省 19.250 21.875 21.750 21.625 18江苏省 6.625 7.375 5.875 7.875 19浙江省 12.750 12.000 10.500 17.000 20福建省 21.000 19.875 23.125 17.500 21广东省 22.750 22.125 16.000 15.750 22海南省 2.3750 2.000 1.625 1.875 23贵州省 36.625 42.375 59.750 49.875 24云南省 24.250 25.750 22.000 21.000 25甘肃省 15.250 18.500 21.875 21.000 26青海省 2.250 2.000 1.375 1.875 27广西壮族自治区 14.875 8.875 14.375 18.125 28内蒙古自治区 7.875 8.875 10.75 9.375 29宁夏回族自治区 2.875 5.500 4.000 5.375 30新疆维吾尔自治区 5.875 6.875 13.000 10.875 31西藏自治区 4.625 3.625 8.125 7.125需要说明的是，对于一个地区的安全生产状况的分析除关注事故量和死亡人数外，还要与地区的地理环境、经济规模、产业情况及人口数量等因素结合起来进行关联分析。3各类安全生产事故总量预测第2节从不同角度分析和考察了2001-2008年的安全生产事故现状，本节基于时间序列模型及神经网络，通过三阶段方式给出了双重非线性组合预测方法。安全生产事故量随着时间的变化而变化，由于ARIMA模型在各类安全生产事故量预测过程中既考虑了这些数量在时间序列上的相关性，又考虑了随机变化的干扰性，对短期趋势预测具有较高的准确率。所以，第一阶段对各类安全生产事故量采用ARIMA建模。因为安全生产事故涉及多种复杂的影响因素，应用单一的预测方法难于满足预测的有效性，所以有必要采用多个预测方法进行组合预测，综合利用各种预测方法提供的信息，以便减少预测误差而获得更好的预测结果。Bates[10]和Clemen[11]都曾提出，可以将各种单一的预测结果进行组合得到一种组合预测结果，以达到改善预测效果的目的。20世纪90年代初，Granger和Terasvirta[12]等人研究发现，借助非线性函数关系的非线性组合预测比线性组合预测所得的结果误差要小。又由于非线性函数关系确定非常困难，而用神经网络来实现这种非线性函数映射相对容易并且神经网络具有自组织、自学习能力、非线性逼近能力强的特点。所以，第二阶段在第一阶段结论的基础上应用神经网络技术构建了三种可行的安全生产事故量非线性组合预测模型。最后，第三阶段在第二阶段基础上给出了双重非线性组合预测方法。对以下各阶段得出的预测模型，我们都利用2001年到2009年9月的安全生产事故快报数据作为已知信息，对2009年10月和11月的情况做出预测，并与实际值做出比较以验证模型的精度。3.1第一阶段预测3.1.1ARIMA模型[13]ARIMA模型又叫Box–Jenkins法，是以美国统计学家GeorgeE.P.Box和英国统计学家GwilymM.Jenkins命名的时间序列分析方法。其结构如下：简记为ARIMA()。当在阶差分后又作了步长为的周期差分，则此时模型结构为：。式中，为后移算子，；；；其中，，是需要估计的自回归系数和滑动平均系数，，；为零均值白噪声序列。3.1.2ARIMA模型预测ARIMA建模过程包括数据检验、模型识别、参数估计、模型适应性诊断等。选择2001-2009年9月之间的数据拟合ARIMA模型。记（=1,2,…,9）代表死亡个人的事故总量，代表死亡10人及以上的事故总量，代表总的事故量。(=1,2,…,9)代表第期死亡个人的事故总量，代表第期死亡10人及以上的事故总量。代表第期总的事故量。得到如下11个预测模型。(1A)(1+0.41189-0.17536+0.39474+0.24147-0.20759)=，～(0,477.19)；(2A)(1+0.54802+0.21288+0.18633+0.25675+0.20701)=，～(0,14.84)；(3A)(1+0.56396)=(1-0.38228)，～(0,108.02)；(4A)(1-0.26609-0.33063)(-19.06625)=，～(0,39.22)；(5A)==，～(0,19.68)；(6A)==，～(0,13.62)；(7A)=，～(0,10.28)；(8A)(1+0.81153+0.61162+0.51758+0.20181)=，～(0,3.65)；(9A)==，～(0,3.93)；(10A)(1+0.30446)=(1-0.79891)，～(0,12.49)；(11A)(1-0.4416-0.2876+0.18249-0.21841)=(1-0.77191)，～(0,937.366)根据上述模型，得到2009年10-11月份的各类安全生产事故量的点预测值，见表7。同时也给出点预测值的置信水平为95%的置信限以及安全生产事故总量时间序列拟合图，见表8和图3。其中置信限计算公式如下：由3.1.1知，，记，又令，根据的同幂次系数相等的原理，可以确定，即其中，，。在均方误差最小原则下，容易求出,，所以，，的置信水平为的置信限为：其中，为标准正态分布的分位数，本文取5%。（注：为时期的预测误差）3.1.3安全生产事故总量ARIMA拟合预测图以下是安全生产事故总量ARIMA拟合图。图中星号为实际值，中间实曲线为依据3.1.2中(11A)得到的预测值，上下两条虚曲线为预测值置信水平为95%的置信上限和置信下限。图3安全生产事故总量时间序列拟合预测图3.2第二阶段预测3.2.1BP模型[14]BP神经网络由Rumelhart等人于1986年建立，是一种多层前馈型神经网络，由输入层、隐层和输出层构成。隐层神经元的传递函数通常用log-sigmoid型函数、tan-sigmoid型函数、purelin纯线性型函数。输出层的函数常用purelin纯线性型函数。它是前向网络的核心部分，体现了人工神经网络的精华。本文采用BP建立了第一种非线性组合预测方法，记作：ARIMA-BP。BP模型表达式如下：,其中为节点输出；为节点连接权值；为节点输入；为神经元阈值；为输入/输出的传递函数。3.2.2ARIMA-BP模型预测依据3.1.2的11个模型，对10类事故以及事故总量进行第二阶段建模。ARIMA-BP模型的实现过程由模型输入、网络训练、网络测试、模型输出等四个部分组成。确定神经网络为3层，输入层、隐层及输出层，隐层采用S型函数作为传递函数，输出层取线性函数。网络训练采用基于数值最优化理论的Levenberg-Marquardt[15-16]方法进行，然后调用这些训练好的权值与阈值，经输出层输出即可得到预测值。依据3.1.2，确定了安全生产事故量随时间变化的规律，因此构建的输入输出样本对以及网络结构各层神经元个数见下面的表3：表3ARIMA-BP模型结构表 事故类型 网络输入 期望输出 网络结构 11-10-1 10-10-1 3-6-1 4-5-1 5-5-1 11-10-1 14-12-1 6-6-1 9-10-1 5-5-1 11-10-1应用ARIMA-BP模型关于2009年10月和11月事故起数的预测结果见表7。3.2.3RBF模型[17-18]径向基函数（RBF）是多维空间插值的传统技术，由Powell于1985年提出。1988年，Broomhead和Lowe根据生物神经元具有局部响应这一特点，将RBF引入神经网络 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 中，产生了RBF神经网络。它属于前馈型神经网络，是一种三层的前向网络。第一层为输入层；第二层为隐层（径向基层）；第三层为线性输出层。1989年，Jackson论证了RBF神经网络对非线性函数的一致逼近性能。因而将它应用于复杂的时间序列预测会取得较好的效果。本文采用RBF建立了第二种非线性组合预测方法，记作：ARIMA-RBF。RBF模型表达式如下：径向基层输入为，径向基层输出为，线性输出层输出为。其中，为输入向量；和分别为径向基层和线性输出层的节点连接权值；和分别为径向基层和线性输出层的神经元阈值。3.2.4ARIMA-RBF模型预测ARIMA-RBF模型构建的输入输出样本对与ARIMA-BP完全相同。隐层的径向基函数设计为高斯函数，输入为输入向量与权值向量的距离乘以阈值，输出即为神经元的输出：。其中为输入向量；为径向基层的节点连接权值；为径向基层的神经元阈值。另外，还需要给出径向基函数的散布常数（SPREAD）。本文综合以下三个原则确定：(1)通常，散布常数的选取取决于输入向量之间的距离，要求是大于最小距离，小于最大距离；(2)网络的预测误差和逼近误差；(3)散布常数等于1作为参照。首先由输入向量间距离矩阵确定SPREAD的范围，然后在此范围内结合预测误差、逼近误差以及参考散布常数1决定最终的SPREAD值。ARIMA-RBF模型结构见下面的表4：表4ARIMA-RBF模型结构表 事故类型 网络输入 期望输出 SPREAD 0.10 0.10 0.04 0.15 1.80 1.50 1.50 0.70 1.70 0.50 2.00应用ARIMA-RBF模型关于2009年10月和11月事故起数的预测结果见表7。3.2.5GRNN模型[19-20]广义回归神经网络（GRNN）是美国学者DonaldF.Specht在1991年提出的。在结构上与RBF网络较为相似。它由输入层、模式层、求和层和输出层四层构成。GRNN也具有很强的非线性映射能力，适用于解决非线性问题。GRNN网络最后收敛于样本量积聚较多的优化回归面，并且在样本数据较少时，预测效果也比较好。另外它还可以处理不稳定的数据。本文采用GRNN建立了第三种非线性组合预测方法，记作：ARIMA-GRNN。GRNN模型表达式如下：，其中是在输入向量为的条件下，输出向量的期望值。是和的联合概率密度函数，可由Parzen非参数估计出来。3.2.6ARIMA-GRNN模型预测ARIMA-GRNN模型构建的输入输出样本对也与ARIMA-BP相同。通过GRNN模型不断学习归纳出输入和输出变量之间的关系。类似的，GRNN的SPREAD值的确定原则与3.2.4一样，ARIMA-GRNN模型结构见下面的表5：表5ARIMA-GRNN模型结构表 事故类型 网络输入 期望输出 SPREAD 0.10 0.10 0.06 0.15 1.80 1.50 1.50 0.70 1.70 0.50 1.00应用ARIMA-GRNN模型关于2009年10月和11月事故起数的预测结果见表7。3.3第三阶段预测3.3.1双重非线性组合模型的构建将第二阶段三种预测方法关于训练样本的预测结果作为RBF的输入向量，输入节点数为3，而实际值作为期望输出向量训练网络，输出节点数为1。SPREAD值的确定原则与3.2.4一样。最后，把上述三种预测方法关于2009年10月和11月事故起数的预测值作为输入向量来预测10月和11月的事故起数。上述基于RBF的ARIMA-BP、ARIMA-RBF以及ARIMA-GRNN的双重非线性组合模型记作：3.3.2双重非线性组合模型预测由3.3.1得到的双重非线性组合模型结构见下面的表6：表6模型结构表 事故类型 网络输入 期望输出 SPREAD 0.011 0.120 0.330 0.790 1.000 0.040 1.000 0.100 1.000 1.000 1.000应用双重非线性组合模型关于2009年10月和11月事故起数的预测结果见表7。3.4模型预测效果的比较我们把各种模型对2009年10-11月各类安全生产事故的数量和安全生产事故总量的预测结果总结在下面的表7。同时用表9的误差评价表，即平均绝对误差(MAE)和均方根误差(RMSE)来比较各种模型。表7各模型预测结果与实际值对比表 事故类型 月份 ARIMA ARIMA-BP ARIMA-RBF ARIMA-GRNN 双重非线性组合 实际值 X1 Oct-09 0.3458 0.2363 1.0000 1.0000 1.0000 1 Nov-09 0.5981 1.1846 1.0000 1.0000 1.0000 1 X2 Oct-09 0.5401 1.2631 1.0000 1.0000 1.8623 1 Nov-09 0.0000 0.7473 1.0000 1.0000 2.2960 3 X3 Oct-09 58.1669 70.5482 62.3831 61.6840 61.8984 68 Nov-09 59.5683 60.9092 60.3751 45.0000 48.3621 48 X4 Oct-09 19.3007 20.5902 18.7207 14.9993 19.0416 19 Nov-09 23.0658 20.2279 20.2533 20.2913 20.2533 21 X5 Oct-09 10.6704 14.7755 12.7571 11.1068 13.5266 17 Nov-09 14.3278 8.6321 7.2730 12.0481 7.4949 7 X6 Oct-09 6.6129 7.8951 5.1808 6.2122 6.0000 6 Nov-09 7.6094 5.9925 4.6983 6.4539 6.0000 6 X7 Oct-09 2.2773 1.9003 2.2836 3.8334 2.8889 2 Nov-09 5.0013 3.0437 2.5596 3.7257 2.5505 2 X8 Oct-09 2.0034 2.4768 2.6678 2.9014 3.0023 3 Nov-09 2.2442 3.6287 2.9089 3.0199 3.0035 3 X9 Oct-09 0.6359 2.0166 1.1437 1.7311 1.1572 1 Nov-09 1.0435 3.9198 2.7678 1.9044 2.7752 3 X10 Oct-09 5.5889 9.1611 7.7147 9.9021 7.8815 8 Nov-09 5.4890 7.4849 8.0418 10.8010 8.3702 6 X11 Oct-09 131.7766 130.4441 133.0933 116.1790 132.3547 132 Nov-09 118.5314 115.6359 113.3715 110.2932 113.3678 116表82009年10-11月ARIMA预测值置信水平为95%的置信区间 置信限 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 Oct-09 (0,43.1606) (0,8.0898) (37.7969,78.5369) (7.0259,31.5755) (1.9745,19.3663) (0,13.8451) (0,8.5616) (0,5.7497) (0,4.5212) (0,12.5155) (71.7695,191.7837) Nov-09 (0,50.2683) (0,8.0448) (37.3461,81.7906) (7.7273,33.1312) (4.9910,23.6646) (0.3773,14.8416) (0,11.2856) (0,6.0564) (0,5.1012) (0,12.4156) (46.3108,190.7520) 事故类型 评价标准 ARIMA ARIMA-BP ARIMA-RBF ARIMA-GRNN 双重非线性组合 X1 MAE 0.5281 0.4742 0.0000 0.0000 0.0000 RMSE 0.5430 0.5556 0.0000 0.0000 0.0000 X2 MAE 1.7300 1.2579 1.0000 1.0000 0.7832 RMSE 2.1461 1.6037 1.4142 1.4142 0.7871 X3 MAE 10.7007 7.7287 8.9960 4.6580 3.2319 RMSE 10.7358 9.3043 9.6097 4.9443 4.3221 X4 MAE 1.1833 1.1815 0.5130 2.3547 0.3942 RMSE 1.4761 1.2500 0.5637 2.8730 0.5288 X5 MAE 6.8287 1.9283 2.2580 5.4706 1.9842 RMSE 6.8469 1.9509 3.0064 5.4869 2.4809 X6 MAE 1.1111 0.9513 1.0605 0.3331 0.0000 RMSE 1.2177 1.3400 1.0876 0.3543 0.0000 X7 MAE 1.6393 0.5717 0.7116 1.7796 0.7197 RMSE 2.1313 0.7414 0.7277 1.7804 0.7393 X8 MAE 0.8762 0.5760 0.2117 0.0593 0.0029 RMSE 0.8844 0.5784 0.2435 0.0714 0.0028 X9 MAE 1.1603 0.9682 0.1880 0.9134 0.1910 RMSE 1.4072 0.9694 0.1931 0.9313 0.1941 X10 MAE 1.4611 1.3230 1.1636 3.3516 1.2444 RMSE 1.7428 1.3329 1.4578 3.6515 1.6781 X11 MAE 1.3774 0.9602 1.8609 10.7639 1.4935 RMSE 1.7969 1.1299 2.8468 11.8921 1.8781 总体MAE 2.5997 1.6292 1.6330 2.7895 0.9132 总体RMSE 2.8117 1.8870 1.9228 3.0363 1.1465表9各模型误差评价表从表7和表9看，ARIMA-BP、ARIMA-RBF、ARIMA-GRNN和均优于ARIMA。三个单一的非线性组合预测模型中，最优的是ARIMA-RBF，其次是ARIMA-BP，最后是ARIMA-GRNN。而本文最后给出的不仅优于单一的ARIMA预测模型而且也优于三个单一的非线性组合预测模型。最小MAE为0，最大MAE为3.2319。最小RMSE为0，最大RMSE为4.3221。的最大MAE分别仅为ARIMA、ARIMA-BP、ARIMA-RBF、ARIMA-GRNN最大MAE的30.2%、41.82%、35.93%和30.03%。的最大RMSE分别仅为ARIMA、ARIMA-BP、ARIMA-RBF、ARIMA-GRNN最大RMSE的40.26%、46.45%、44.98%和36.34%。由此可见，双重非线性组合模型不仅提高了预测精度而且还能满足非线性的预测要求，这为解决因安全生产事故量随机变动而造成的预测困难及精度问题提供了新的思路和方法，是安全生产中可行的预测模型。4结语本文按生产事故造成伤亡和损失规模的原则重新对安全生产事故进行分类，并对各类安全生产事故进行了现状分析，借助季节指数分析法对各类安全生产事故指出了应重点预防的时段建议。最后为了精确地预测安全生产事故的发展趋势，对各类安全生产事故量以及安全生产事故总量先建立了三个可行的非线性组合预测模型，即ARIMA-BP、ARIMA-RBF以及ARIMA-GRNN，然后在此基础上构建了一种新的双重非线性组合趋势分析方法。为提高预测的准确性提供了新的方法和思路，为管理和决策部门制定安全生产战略规划提供了理论依据。通过本文建立的模型及其实证研究结果，一定程度上说明就我国目前所处的经济发展阶段而言，各类安全生产事故发生的最严重程度及经过努力可以实现的改进程度是可以做出统计分析和预测的。显然，各类事故发生的频度也有很大差别，进一步弄清其原因是今后值得特别关注的问题。各类事故在一天24小时内的不同时间段发生的频度同样值得进一步关注，所有这些对控制和改进安全生产状况都具有重要意义。参考文献:[1]王显政.安全生产与经济社会发展报告[R].北京：煤炭工业出版社,2006.[2]李书全,窦艳杰.基于RS—SVM模型的建筑安全事故预测模型[J].统计与决策,2008,(19)：56-58.[3]钟铭.基于模糊数据融合的煤矿瓦斯预警研究[D].西安科技大学博士 论文 政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载 ,2009.[4]吕海燕.生产安全事故统计分析及预测理论方法研究[D].北京林业大学博士论文,2004.[5]Kopits,E.,Cropper,M..TrafficFatalitiesandEconomicGrowth[J].AccidentAnalysisandPrevention,2005,37(1)：169-178.[6]任荣森,雍歧东,张宁.基于ISM的油库安全事故成因分析[J].后勤工程学院学报,2009,25(5)：58-61.[7]牛跃林,王花平,谢金亮.基于模糊数学的城市生产安全事故应急管理能力综合评价[J].江西理工大学学报,2008,29(1)：53-56.[8]Karen,P..Bloodonthecoal:Theeffectoforganizationalsizeanddifferentiat-iononcoalmineaccidents[J].JournalofsafetyResearch,2009,40(3)：85-95.[9]Shi,X.P..Havegovernmentregulationsimprovedworkplacesafety?AtestoftheasynchronousregulatoryeffectsinChin-a’scoalindustry,1995-2006[J].JournalofSafetyResearch,2009,40(3)：207-213.[10]Bates,J.M.,Granger,C.W.J.,Terasvirta,T..ThecombinationofForecasts[J].OperationsResearchQuarterly,1969,20(4):451-468.[11]Clemen,R.T..Combinationforecasts:are-viewandannotatedbibliography[J].Int-ernationalJournalofForecasting,1989,(5)：559-584.[12]Deutch,M.,Granger,C.W.J.,Terasvirta,T..Thecombinationofforecastsusingchan-gingweights[J].InternationalJournalofForecasting,1994,10：47-57.[13]George,E.P.B.,Gwilym,M.J.,Gregory,C.R..TimeSeriesAnalysis,Forecasting,Control,3rded[M].EnglewoodCliffs,NJ:PrenticeHall,1994.[14]Rumelhart,D.E.,Hinton,G.E.,Williams,R.J..Learningrepresentationsofback-propagationerrors[J].Nature,1986(323):533-536.[15]Levenberg,K..Amethodforthesolutionofcertainprobleminleastsquares[J].Quart.Appl.Math.,1994,2：164-168.[16]Marquardt,D..Analgorithmforleast-squaresestimationofnonlinearparame-ters[J].SIAMJ.Appl.Math,1963,11:431-441.[17]Powell,M.J.D..Radicalbasisfunctionsformultivariableinterpolation:Arev-iew[C].IMAconferenceonAlgorithmsfortheApproximationofFunctionsandData,RMCS,Shrivenham,England：1985：143-167.[18]Park,J..UniversalapproximationsusingRBFnetworks[J].Neuralcomputation,1991,3:246-257.[19]Specht,D.F..Ageneralregressionneuralnetwork[J].IEEETransactionsonNeuralNetworks,1991,2(6)：568-576.[20]Specht,D.F..Generalizationaccuracyofprobabilisticneuralnetworkscomparedwithbackpropagationnetworks[C].Seat-tle:InternationalJointConferenceonNeuralNetworksIJCNN-91,1991,1：887-892.TheAnalysisandForecastofNationalAccidentTrendsinWorkSafetyLIUZhuojun1LIUGang1,2(1.AcademyofMathematicsandSystemsScience,ChineseAcademyofSciences,Beijing100190,China；2.GraduateSchoolofChineseAcademyofSciences,Beijing100190,China)Abstract:BasedonthedataquerysystemofaccidentsinworkprovidedbytheStateAdministrationofWorkSafety,notonlydoesthispaperanalyzethestatisticsofworksafetyaccidentsbutalsoexplorethedevelopmenttrendofworksafetyaccidentsfrom2001to2008.(accidentsinworksafetyareclassifiedbythenumberofdeaths).Atthesametime,theARIMA-BP、ARIMA-RBFandARIMA-GRNNnonlinearcombiningforecastmodelareconstructed.Atlast,thispaperconstructsadoublenonlinearcombiningforecastmodelbycombiningthreesinglenonlinearcombiningforecastmodelswithRBFnetwork.TheresultsindicatethattheaccuracyofthedoublenonlinearcombiningforecastingmodelsarehigherthantheaccuracyofthesingleARIMAmodelandthreesinglenonlinearcombiningforecastmodels.Thisstudyprovidesanewmethodforpromotingthedevelopmentandimprovementofstrategicplanningofworksafety.Keywords:Worksafety；ARIMAmodel；BPmodel；RBFmodel；GRNNmodel；nonlinearcombinationPAGE_1321389951.unknown_1321697954.unknown_1342563884.unknown_1342717924.unknown_1342764879.unknown_1342764903.unknown_1342764915.unknown_1342764920.unknown_1342764928.unknown_1342764910.unknown_1342764891.unknown_1342764898.unknown_1342764885.unknown_1342764863.unknown_1342764872.unknown_1342764824.unknown_1342710022.unknown_1342717525.unknown_1342717773.unknown_1342563885.unknown_1342563944.unknown_1342563977.unknown_1342563992.unknown_1342564015.unknown_1342564023.unknown_1342564030.unknown_1342564008.unknown_1342563985.unknown_1342563961.unknown_1342563969.unknown_1342563952.unknown_1342563927.unknown_1342563936.unknown_1342563915.unknown_1340406053.unknown_1342563434.unknown_1342563883.unknown_1342563454.unknown_1342563478.unknown_1342563488.unknown_1342563799.unknown_1342563882.unknown_1342563791.unknown_1342563483.unknown_1342563467.unknown_1342563473.unknown_1342563461.unknown_1342563442.unknown_1342563447.unknown_1341007286.unknown_1342559903.unknown_1342560020.unknown_1342563022.unknown_1342563056.unknown_1342563021.unknown_1342559926.unknown_1342559950.unknown_1342194091.unknown_1342559867.unknown_1342095059.unknown_1342095275.unknown_1341094047.unknown_1340410961.unknown_1341007191.unknown_1341007259.unknown_1341006981.unknown_1340410773.unknown_1340410921.unknown_1340406131.unknown_1325429236.unknown_1340402179.unknown_1340402528.unknown_1340402898.unknown_1340403225.unknown_1340402907.unknown_1340402556.unknown_1340402194.unknown_1340394238.unknown_1340394306.unknown_1340394074.unknown_1340394093.unknown_1340394104.unknown_1335793422.unknown_1340394057.unknown_1324288871.unknown_1324291716.unknown_1325429123.unknown_1324291892.unknown_1324289485.unknown_1324287245.unknown_1324287374.unknown_1324286537.unknown_1321445405.unknown_1321446963.unknown_1321697843.unknown_1321697866.unknown_1321697802.unknown_1321446623.unknown_1321446643.unknown_1321446611.unknown_1321445441.unknown_1321390057.unknown_1321445131.unknown_1321445382.unknown_1321390513.unknown_1321390525.unknown_1321390081.unknown_1321390487.unknown_1321390003.unknown_1321390025.unknown_1321389980.unknown_1321040241.unknown_1321047356.unknown_1321047577.unknown_1321051721.unknown_1321095125.unknown_1321367304.unknown_1321095183.unknown_1321052173.unknown_1321052849.unknown_1321051680.unknown_1321051692.unknown_1321048910.unknown_1321047405.unknown_1321047433.unknown_1321047392.unknown_1321046574.unknown_1321047133.unknown_1321047327.unknown_1321047088.unknown_1321042467.unknown_1321046468.unknown_1321041544.unknown_1316059489.unknown_1316059729.unknown_1316063734.unknown_1321038083.unknown_1321038262.unknown_1317114752.unknown_1316063700.unknown_1316059754.unknown_1316059547.unknown_1316059602.unknown_1316059694.unknown_1316059514.unknown_1316004279.unknown_1316057408.unknown_1316058046.unknown_1316059467.unknown_1316057539.unknown_1316057362.unknown_1316057108.unknown_1315998604.unknown_1316000094.unknown_1316002437.unknown_1315999686.unknown_1009811877.unknown_1009811919.unknown_1183112327.unknown_1183112579.unknown_1009811888.unknown_1009811847.unknown