结合CRITIC-VIKOR与XGBoost方法，实现化工园区动火作业的智能风险评估

《Journal of Loss Prevention in the Process Industries》：Integrating CRITIC-VIKOR and XGBoost for intelligent risk assessment of hot work in a chemical industrial park

　　化学工业园区中的动火作业风险评估因事故标签不足、主观权重分配以及实时应用能力薄弱而受到限制。本研究提出了一种智能框架，整合了CRITIC、VIKOR和XGBoost三种方法。该框架以事故成因2-4模型为指导，构建了一个包含管理因素、固有危险、人为因素及现场操作风险在内的16项指标体系。基于21家企业的460份动火作业记录，通过CRITIC方法计算出各指标的客观权重，再利用VIKOR方法生成连续型的综合风险评分作为模型训练的替代标签。由于基于VIKOR的替代标签会对任何单一安全防护措施的缺陷进行惩罚，因此XGBoost生成的替代标签不仅具有较高的预测精度（R2=0.9815，MAE=0.0246，RMSE=0.0325），还能保持对那些在真实动火事故中起关键作用的薄弱环节的敏感度，其表现优于支持向量回归和多元线性回归。SHAP分析进一步证实，该模型的内部逻辑与原有的CRITIC-VIKOR框架一致（斯皮尔曼相关系数=0.8941）。通过妥协系数敏感性分析、指标评分扰动测试、数据分割稳健性分析以及单样本定时测试，可确认所提出的框架具备较强的抗参数设置变化、输入评分不确定性以及样本分割能力，同时能够实现毫秒级预测，从而快速完成作业前风险评估。

动火作业指的是在防火区域内进行的、可能产生明火、火花、熔融渣或高温表面的特殊作业，包括焊接、切割、钻孔、研磨等热加工操作（国家市场监督管理总局，2022年）。在化学工业园区里，这类作业常常在储罐、管道、反应器、装卸设施以及其他可能含有或曾经含有易燃易爆物质的设备附近进行。一旦安全控制措施不到位，动火作业产生的点火源就可能与残留的可燃物、易燃蒸汽或封闭式作业环境发生反应，进而引发火灾、闪燃或爆炸事故（Huang等人，2019年）。针对焊接、切割等动火作业的防火标准强调，必须在这些作业过程中严格控制点火源和可燃物（美国国家消防协会，2024年；Li等人，2024年）。在石油和石化设施中，动火作业安全指南进一步强调了在作业开始前进行清理、置换、隔离、气体检测以及安排警戒人员的重要性（美国石油学会，2022年）。关于焊接和切割作业的法规也规定，只有在火灾风险得到有效控制的情况下才能进行动火作业（美国职业安全与健康管理局，2025年）。对于高风险行业，作业许可制度则要求在开展非常规危险作业之前必须经过正式授权、明确责任分工、做好沟通并进行核实（英国健康与安全执行局，2005年）。事故调查报告和案例分析表明，可燃气体检测合格率不足、清理置换不彻底、隔离措施无效以及对残留可燃物的忽视，都是导致严重动火事故的常见原因（美国化学安全与危害调查委员会，2010年；Zhou等人，2023年）。因此，迫切需要快速、科学且具有实际操作性的风险评估方法，以便为化学工业园区中的动火作业提供作业前筛选和差异化的安全管控措施（Ma等人，2026年；Wang等人，2026年）。

现有研究还表明，动火作业风险与固有危险、作业许可管理、人员行为以及安全控制措施的落实情况密切相关。Wang比较了中国和美国在动火作业方面的法规与标准，指出动火作业属于重大的工业危险作业，但目前的相关管理仍需更强的科学支撑、指导以及实际操作性（Wu等人，2023年）。Xu等人通过文本挖掘和深度学习技术分析了动火作业事故记录，发现缺乏气体检测或持续监控、可燃物清除不彻底、防护措施不当以及员工违规操作都是导致事故的重要原因（Xu等人，2022年）。从作业许可管理的角度来看，Yan等人指出，许可准备、危险识别、沟通协调以及授权环节的缺陷都可能引发化工流程行业的工艺安全事故（Yan等人，2017年）。Jahangiri等人进一步分析了化工厂作业许可系统中的人为错误，发现从许可发放、核查、批准到执行的全过程中都可能存在人类可靠性问题（英国健康与安全执行局，2005年）。这些研究结果表明，动火作业风险评估应全面考虑危险介质、隔离状态、气体检测情况、许可合规性、人员能力、历史违规记录以及现场控制条件等因素。

过程安全风险评估的研究已逐渐从基于经验的判断和半定量分级，发展为系统性、动态化且以数据为支撑的分析方法。Khan等人回顾了过程安全与风险管理领域的方法与模型发展历程，指出传统的风险矩阵、故障树、事件树及后果分析等方法正在不断向动态风险分析、概率推理以及数据驱动的决策支持方向发展（Khan等人，2015年）。George等人进一步总结了过程工业领域安全与风险评估方法的发展趋势，强调了贝叶斯网络在表达不确定性及因果关系方面的作用（George和Renjith，2021年）。最近一项针对化工过程行业的系统评价也表明，风险评估的研究范围已从单纯的工艺安全扩展到兼顾工艺安全与系统韧性（Ab Rahim等人，2024年）。除了模型开发之外，过程安全指标也被广泛视为一种将运营数据、管理绩效、防护措施状况与安全评估结果相关联的手段（Huang等人，2021年）。随着数字化和工业4.0的推进，过程安全管理也越来越依赖数字记录、监测数据以及信息平台（Lee等人，2019年）。这些发展为实现将动火作业许可记录、气体检测数据、隐患整改记录、人员资质记录、报警记录以及违规记录转化为结构化的风险评估指标提供了方法基础。近期关于实时过程安全的讨论也表明，数字记录、监测数据以及决策支持模型正成为安全高效化工生产的重要组成部分（Zhou等人，2024年）。

由于操作条件、设备状态、人类行为以及环境因素可能会随时间发生变化，动态风险评估已成为高风险工艺系统研究的重要方向。Khakzad等人将Bow-tie模型转化为贝叶斯网络，证明贝叶斯网络能够通过表达条件依赖关系并支持概率更新，从而克服传统Bow-tie分析的静态局限性（Khakzad等人，2013年）。Li等人提出了基于模糊贝叶斯网络的易燃液体运输槽车实时风险分析方法，表明时变操作条件与环境不确定性也可以纳入风险评估之中（Li等人，2020年）。针对化学工业园区，Zhao等人通过整合改进后的TOPSIS方法与贝叶斯网络，构建了存储设施的动态风险评估框架，证明了在园区级风险管理中结合多准则评估与概率推理的可行性（Zhao等人，2025年）。Mohammadi等人则将后果建模与模糊贝叶斯网络相结合，对储罐进行了动态风险评估，进一步证明了混合方法在处理易燃易爆物质储存场景时的适用性（Mohammadi等人，2023年）。这些研究表明，化学工业园区中的动火作业风险评估不应仅停留在静态评分上，而应充分考虑多源数据、不断变化的控制状态以及操作条件中的不确定性。近年来，针对安全关键决策中的不确定性进行表征与管理的系统化框架也逐渐出现。例如，Zarei等人提出了一种用于社会技术系统中专家意见获取和认知不确定性量化的结构化方法，该方法整合了贝叶斯逻辑与模糊逻辑技术，以应对数据匮乏和人类认知偏差问题（Zarei等人，2024年）。Li和Yazdi则提出了一种随机博弈论模型，该模型结合了马尔可夫系统动力学、蒙特卡洛模拟以及多准则决策方法，能够在随机不确定性和认知不确定性并存的情况下解决战略安全与可靠性之间的冲突。这些研究都体现了从确定性点态估计向考虑不确定性的推理方式转变的趋势，而本研究也正是通过敏感性分析和基于自举法的稳健性分析，试图沿着这一方向前进，同时确保在数据有限的动火作业环境中仍具备实际应用价值。

安全屏障理论为理解和控制动火作业风险提供了另一种重要视角。Sklet将安全屏障定义为用于预防、控制或减轻不良事件与事故的物理或非物理手段，这一定义为将隔离措施、气体检测合格率、监督机制、应急响应以及管理程序视为风险控制屏障提供了理论依据（Sklet，2006年）。在化工过程行业中，学者们对安全屏障的分类、评估、性能评价及管理进行了系统研究，强调了将屏障性能与可测量的指标及数据源相关联的重要性（Huang等人，2021年）。对于化学工业园区中的动火作业而言，这意味着隔离效果、可燃气体检测情况、安全监护人员的在岗情况、设施的完整性以及应急准备状况都应作为明确的评估指标，而不仅仅是作为定性的检查清单项目。近期关于基于动态风险的安全屏障管理的研究进一步表明，多源运营数据可用于更新风险状况，并为优化屏障措施提供支持（Yuan等人，2023a年）。PSEP中的屏障维护研究也指出，安全屏障的管理应依据场景特征、屏障性能以及资源限制来进行（Yuan等人，2023b年）。基于Bow-tie的风险管理方法为连接危险事件、预防屏障、缓解屏障以及事故后果提供了一种实用的工艺安全框架（Ferdous等人，2013年）。这些研究都表明，动火作业风险评估不仅要评估是否存在危险介质和点火源，还应量化关键安全屏障的有效性与可靠性（Huang等人，2026年）。

多准则决策方法已被广泛用于评估涉及多个指标、不同类型信息以及相互矛盾标准的复杂风险问题。在动火作业风险评估方面，He等人结合层次分析法与模糊综合评价方法，对油气管道动火作业风险进行了评估，并确定了各风险因素的重要性排序（He等人，2023年）。Ding等人则提出了一种基于G1-EWM方法与不确定度量理论的地下矿山动火作业风险评估方法，表明通过结合权重分配与不确定性评估，可以更科学地评估特殊作业的风险（Ding等人，2024年）。更广泛地说，多准则决策方法已被视为处理同时包含定量与定性因素的决策问题的有效工具（Mardani等人，2015年）。传统的多属性决策研究也为基于理想解的排序和多指标评估提供了方法基础（Hwang和Yoon，2012年）。在客观权重确定方法中，CRITIC方法通过综合考虑指标间的对比强度与冲突程度来确定准则权重，这有助于减少对纯粹主观专家判断的依赖（Diakoulaki等人，1995年）。VIKOR方法则通过平衡群体效用与个体遗憾值来得出折中排序结果，因此适用于需要同时考虑整体性能以及最差表现准则的问题（Opricovic和Tzeng，2004年）。近期的工程应用中，CRITIC与VIKOR方法已被整合用于海底管道风险管理以及油气风险情景评估，证明了它们在处理具有相关性且类型多样的指标时的适用性（Li等人，2022年；Luo等人，2024年）。对于动火作业而言，VIKOR方法尤为重要，因为它能够准确体现“短板效应”：一旦某个关键屏障出现问题，如隔离失效或气体检测异常，就会使整体风险评分大幅上升，这正好反映了这类屏障在动火事故中的核心作用。结合客观的CRITIC权重，该框架能够减少对主观专家判断的依赖，从而在化学工业园区内的不同企业之间获得一致的风险排序结果。因此，CRITIC-VIKOR方法为动火作业记录的综合风险评分生成提供了坚实的基础。

机器学习为将多源安全管理数据转化为快速的风险预测结果提供了另一种途径。XGBoost是一种可扩展的梯度提升树算法，它能够捕捉结构化数据中的非线性关系与特征交互作用，同时通过正则化与采样机制控制模型复杂度（Chen和Guestrin，2016年）。支持向量回归作为一种非线性回归方法也被广泛使用，它可以为评估基于树的集成模型的预测优势提供有用的参考基准（Cortes和Vapnik，1995年）。然而，在高风险工业场景中应用的机器学习模型应当具备足够的可解释性，以便为工程决策和安全决策提供支持。SHAP提供了一种统一的加性特征归因框架，用于解释模型预测结果，并量化每个输入变量对特定输出的影响程度（Lundberg和Lee，2017）。对于基于树的模型，Tree SHAP进一步提升了局部和全局解释的效率与一致性，因此非常适合用于解释XGBoost的预测结果（Lundberg等人，2020）。在流程工业领域，由于决策者需要了解模型输出的背后依据，仅靠高预测精度已不足以满足那些对安全性要求极高的应用场景，因此可解释的机器学习越来越受到重视（Carter等人，2023）。在化学健康与安全领域，机器学习和深度学习也被视为处理复杂、非线性以及多源安全相关数据的有效工具（Jiao等人，2020）。集成学习已被应用于化学物质的安全特性分析以及化学安全事故预测，显示出其在从异构安全数据中挖掘复杂关系方面的潜力（Wang等人，2022；Gao等人，2025）。在动火作业预先审批的场景中，这类机器学习模型不仅要能够提供实时预测，还需输出可解释的结果，以便安全管理人员明确是哪些因素导致了高风险评分。鉴于对速度和透明度的双重需求，本研究采用了XGBoost与SHAP相结合的方法。事故因果2-4模型为在事故分析中建立组织管理、个人安全能力、不安全行为以及不安全物质状态之间的关联提供了系统的理论基础（Wu等人，2023）。这一逻辑与化工园区动火作业风险的形成机制相符，因为在这些场所，事故往往是由于组织管理缺陷、许可控制失误、人员行为偏差、危险介质、隔离措施不到位以及现场条件异常等多种因素共同作用所致。尽管已有诸多研究成果，但目前的研究仍存在三方面局限。首先，许多动火作业风险评估方法仍然严重依赖专家判断、先验知识或半定量分级规则，这可能会降低不同企业之间评估结果的一致性。其次，用于流程安全的数据驱动模型通常依赖于事故或事件标签，而化工园区实际的动火作业事故样本既稀缺又分布不均。第三，目前还没有一种实用框架能够同时满足以下要求：（a）在常规动火作业记录中常见的低事故标签数量情况下仍能可靠运行；（b）能够提供实时风险估算，以支持化工园区所需的高频预先审批筛选工作；（c）输出可解释的结果，且这些结果可直接对应到具体的安全屏障缺陷。为解决这些局限性，本研究提出了一种CRITIC-VIKOR-XGBoost框架，用于化工园区动火作业的智能风险评估。该框架以事故因果2-4模型为指导，从管理因素、固有风险、人为因素以及现场操作风险四个维度构建了包含16个指标的评估体系。借助从21家企业收集的460份真实动火作业记录，首先使用CRITIC方法确定各指标的客观权重，再通过VIKOR方法生成连续型的综合风险评分Q作为替代标签。随后训练XGBoost模型，学习基本风险指标与Q之间的非线性映射关系，从而快速实现CRITIC-VIKOR评估逻辑的近似。此外，还通过SHAP解释方法以及CRITIC-SHAP一致性分析，来验证该替代模型是否保留了原始CRITIC-VIKOR框架的核心评估逻辑。同时，还进行了折中系数敏感性分析、指标评分扰动测试、数据划分稳健性分析以及单样本时效性测试，以此评估所提框架在参数变化、输入评分不确定性、不同样本划分条件以及实时预测需求下的稳健性和应用潜力。本研究的主要贡献如下：（1）基于事故因果2-4模型、特殊作业安全要求以及化工园区管理实践，构建了一个包含16个指标的动火作业风险评估体系，该体系从管理、固有危害、人为因素以及现场操作等多个维度对动火作业风险进行了结构化呈现。（2）提出了一种基于VIKOR的替代标签策略，该策略将关键安全屏障的“短板”效应明确编码为连续型风险评分Q，从而为动火作业风险建模提供了无需事故标签的可行训练信号，有效弥合了在安全关键环境中依赖专家经验的多元准则决策方法与需要大量数据的机器学习方法之间的差距。（3）采用严格的“训练-拟合，测试-冻结”模式训练XGBoost替代模型，将原本静态的CRITIC-VIKOR评估流程转变为可实时运行的、可嵌入式的预测工具。该模型能够在保持与原始评估框架逻辑一致性的同时实现毫秒级推理速度，非常适合集成到园区的数字化动火作业许可系统中。（4）从多个角度验证了该模型的可解释性、稳健性以及工程实用性。通过SHAP分析及CRITIC-SHAP一致性验证，确认该替代模型保持了原始多元准则决策框架的核心风险评估逻辑；同时通过折中系数敏感性分析、指标评分扰动测试以及数据划分稳健性分析，进一步评估了该框架在参数变化、局部输入评分不确定性以及不同训练-测试数据划分条件下的稳定性。这些分析结果为将模型输出转化为化工园区安全管理中的实际风险控制重点提供了依据。理论基础与数据准备所提出的框架将多元准则决策、替代标签技术、机器学习以及可解释性验证整合为一个四阶段流程，专门针对化工园区动火作业中数据稀缺且审批频率高的特点而设计。如图1所示，这四个阶段具体如下：第一阶段为指标体系构建与数据预处理，基于事故因果2-4模型构建了包含16个指标的评估体系。模型标签生成与特征分析方面，采用CRITIC客观权重分配方法，根据368份训练样本计算出16个评估指标的权重。所有标准化参数、相关系数以及对比强度均仅从训练集中获取，以避免测试集的信息泄露。这些权重反映了各指标在样本集中的综合区分能力，权重越高意味着该指标对风险的贡献越大。讨论上述结果表明，整合了CRITIC、VIKOR和XGBoost的模型能够通过多维度指标识别动火作业风险的主要来源，并将综合评估结果转化为可快速调用的预测输出。需要强调的是，本研究中的模型输出指的是在CRITIC和VIKOR框架下得出的综合风险评价值Q，它用于反映动火作业样本的综合风险水平及其排序位置。结论本研究提出了一种整合了CRITIC、VIKOR和XGBoost的智能动火作业风险评估框架。基于事故因果2-4模型以及来自某化工园区21家企业的460份动火作业记录，构建了包含16个指标的评估体系，并以CRITIC-VIKOR综合风险评分Q作为机器学习的连续型替代标签。主要结论如下：（1）从四个方面构建了一个多维度的动火作业风险指标体系：CRediT作者贡献声明张子祥：撰写——初稿。史静杰：概念构思。袁雄军：项目管理。倪琳丽：数据收集。陆佳伟：形式化分析。胡子恒：数据整理。黄安奇：撰写——审阅与编辑未引用参考文献国家市场监督管理总局，2022；美国化学安全与危害调查委员会，2010。利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。史静杰|张子祥|胡子恒|陆佳伟|倪琳丽|袁雄军|黄安奇中国江苏省常州市武进区 Gehu mid-Rd. 21号，常州大学安全科学与工程学院，邮编213164。