CN115375113B - 一种基层治理中场所的整体安全指数评估方法及装置 - Google Patents
一种基层治理中场所的整体安全指数评估方法及装置 Download PDFInfo
- Publication number
- CN115375113B CN115375113B CN202210939491.0A CN202210939491A CN115375113B CN 115375113 B CN115375113 B CN 115375113B CN 202210939491 A CN202210939491 A CN 202210939491A CN 115375113 B CN115375113 B CN 115375113B
- Authority
- CN
- China
- Prior art keywords
- node
- risk
- site
- nodes
- management
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000011221 initial treatment Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000007726 management method Methods 0.000 claims description 77
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 238000011282 treatment Methods 0.000 claims description 34
- 238000007689 inspection Methods 0.000 claims description 31
- 210000002569 neuron Anatomy 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 21
- 238000012502 risk assessment Methods 0.000 claims description 16
- 230000008520 organization Effects 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 5
- 238000013278 delphi method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基层治理中场所的整体安全指数评估方法，属于场所安全分析技术领域，通过专家建立安全检查表法，规范网格员各个风险类型的检查范围；通过层次分析法，自动对不同安全风险分类检查项的计分，进行权重优化，综合场所相关的人、事、地、物、组织等信息，得出各种场所更科学的整体安全风险排名。本发明还提供了一种基层治理中场所的整体安全指数评估装置，该装置设计了包括学习园地、考试管理、安全风险预警、场所类别管理、安全风险配置、评估分析等功能，实现基层社会治理中从培训、检查、评估、处置的安全风险闭环管理。本发明作用效果显著，适于广泛推广。
Description
技术领域
本发明涉及场所安全分析技术领域，特别涉及，一种基层治理中场所的整体安全指数评估方法及装置。
背景技术
随着基层社会治理的不断深入，网格化治理力量对各种场所的检查不断细化，检查和事件处置记录不断增多，结合以往的生产安全事故数据和场所相关大数据信息，如何对场所的生产安全进一步进行风险评估，指导网格力量和各级监管单位对现有场所进行综合检查督导，降低问题场所的安全事故发生概率，成为基层社会治理需要面对的问题。
随着基层社会治理信息系统使用的不断深入，网格管理人员对基层治理中场所的检查事项记录越来越多，基于场所的安全风险的治理也越来越深入。现有的对场所安全风险的处置，仅仅停留在单次单场所巡查发现隐患后，自处理或者直接上报处理，没有进行事前事后的整体风险评估研判。基于同一场所不同时间的基层治理检查结果，缺乏有效的安全风险评估手段，分析出场所对应的安全风险；基于区域性、行业性的安全风险，也缺乏有效的识别手段从网格检查的安全记录中获取、评估出区域场所的安全风险标准化指数排名，从而进行整体性的风险防控。
发明内容
针对上述缺陷，本发明解决的技术问题在于，提供一种基层治理中场所的整体安全指数评估方法及装置，以解决现在技术所存在的基层治理技术方案中对安全风险评估的缺失和不完整性，存在基层上报的事件分类规范性不足，各种风险无法进行量化统计，场所相关的人、事、物、组织等风险信息没有纳入，各个场所的相对安全风险程度无法有效识别的问题。
本发明提供了一种基层治理中场所的整体安全指数评估方法，包括：
步骤1、结合现有的基层治理综合信息系统，建立安全检查表法，规范各个风险类型的检查范围；
步骤2、根据场所相关因素的信息构建前馈网络图谱，得到精确的场所风险的综合评估值，其中所述场所相关因素的信息包括人、事、地、物、组织的信息；
步骤3、通过层次分析法建立BP神经网络，自动对不同安全风险分类检查项的计分进行权重优化，通过BP神经网络算法并综合场所相关因素的信息，得出各种场所的整体安全风险评分、排名。
优选地，所述步骤2的具体步骤包括：
步骤2.1、根据场所相关因素的信息，得到场所第一相关节点网络和事件第二相关节点网络，选择相关函数得出当前场所第一相关节点网络和事件第二相关节点网络的所有节点特征，计算出当前场所相关风险的总和E；
步骤2.2、根据当前场所相关风险的总和，按照风险分类，通过德尔菲法进行风险评分，得到场所相关风险总和的风险值R＝(R1，R2，...，Rn)，n为风险分类数目，Ri为各类风险的分类计分值；
步骤2.3、按照安全检查表法对场所的日常巡查产生的网格治理事件，按照风险分类进行风险评分，得到网格治理事件的风险值r＝(r1，r2，...，rn)，n为风险分类数目，ri为各类治理事件风险评分值。
优选地，所述步骤3具体步骤包括：
步骤3.1、通过层次分析法，建立BP神经网络，所述BP神经网络包括输入层、隐藏层和输出层；
步骤3.2、根据调整函数对BP神经网络进行训练，得到训练后的BP网络模型；
步骤3.3、将场所的相关数据带入训练后的BP网络模型，得到场所的各类风险评估值，汇总∑Oc，按数值进行排名，得出此地区场所的基层治理场所安全指数排名，其中所述场所的相关数据包括场所的基本信息、各类风险的分类计分Ri、各类治理事件风险评分ri。
优选地，所述步骤2.1具体步骤包括：
步骤2.1.1、根据相关因素的信息，以场所为中心，构建场所相关的前馈网络图谱E＝G(N，e)，得到场所第一相关节点网络，其中，E为场所所有相关风险的总和，N为去除事件后场所相关因素的集合，e为场所相关的事件，不包含基层治理中的网格治理事件；
步骤2.1.2、场所第一相关节点网络中的第一相关节点入网后的特征表示为Ni＝f(xi，xco[i]，Nne[i]，xne[i])，其中，节点i的特征用xi表示，xco[i]表示与节点i相关的负向事件集合，Nne[i]表示i的相邻节点的入网后特征，xne[i]表示i的相邻节点的特征，ne[i]表示节点i的邻居节点集合，co[i]表示节点i相关正向关系的集合；
步骤2.1.3、将第一相关节点的正相关节点入网，正相关节点入网构成事件第二相关节点网络，正相关节点入网后的特征均为Ni＝f(xi，xco[i]，Nne[i]，xne[i])，节点在前馈网络中输出的特征表示为：Oi＝g(Ni，xi)，其中，Oi表示节点i的输出，节点i的特征用xi表示，Ni表示节点i的入网后特征；
步骤2.1.4、根据专家意见和当前社会环境、系统数据，对节点i的每一个前馈节点使用du，并将得到的值求和来作为节点i的状态，du的实现方式为：du(xi，x(i，u)，Nu，xu)＝Ai, uxu+x(i,u)，其中Ai,u是当前场所与节点u的关系特征矩阵，x(i,u)表示节点i及其相邻正相关节点的负向事件风险汇总，得到相关函数的特征为
其中，Ni表示节点i的输出，节点i的特征用xi表示，x(i,u)表示节点i及其相邻正相关节点的负向事件集合，Nu表示i的相邻节点u的入网后特征，xu表示i的相邻节点u的特征，ne[i]表示节点i的邻居节点集合；
步骤2.1.5、得出当前场所相关的第一、二节点网络的所有节点特征，计算出当前场所相关风险的总和E＝G(N，e)＝∑Ni+e。
优选地，所述步骤3.1的具体步骤包括：
步骤3.1.1、设BP神经网络的输入层有n个节点，隐层有q个节点，输出层有m个节点，
表示BP神经网络隐含层中第j个神经元的阈值，
表示BP神经网络输出层中第g个神经元的阙值，vij表示BP神经网络输入层和隐含层节点之间的连接权值，wjg表示BP神经网络隐含层和输出层节点之间的连接权值；
步骤3.1.2、筛选近段时间当前地区有相关案件记录、行政处罚记录或刑事记录的场所作为样本，场所内的案件金额、处罚金额、刑事处罚统一折算成对应风险类型的经济损失作为输出层的期望输出值，输出层有m＝i个节点；
步骤3.1.3、以场所的基本信息、各类风险的分类计分Ri、各类治理事件风险评分ri作为输入层节点，输入层有n＝2i+2个节点，隐层有q个节点，将训练样本数据归一化后输入网络，建立BP神经网络。
优选地，所述步骤3.2的具体步骤包括：
步骤3.2.1、确定隐层节点个数，使用经验公式
确定隐层节点个数，其中，n为输入层节点数目，m为输出层节点数目，a为1-10之间的调解常数；
步骤3.2.2、选择函数tanh作为隐层神经元的激活函数和输出层神经元的激活函数，即激活函数
当激活函数f(x)为隐层神经元的激活函数时，x为隐层神经元的输入；当激活函数f(x)为输出层神经元的激活函数时，x为输出层神经元的输入；
步骤3.2.3、初始化BP神经网络各权值和阈值，计算BP神经网络各层的输出，对于隐含层第j个节点的输出
有：
其中，
为隐含层第j个节点的输入，
为输入层第i个节点的输出,
为隐含层的阈值，vij为隐含层的权值；
步骤3.2.4、对于输出层第g个节点的输出
有：
步骤3.2.5、当误差大于预设的误差值时，不断调整权值和阈值，直至误差小于预设的误差值为止，得到训练后的BP网络模型。
优选地，所述步骤3.2.5中，调整的计算公式为：
其中，n为学习次数，δ为学习因子，wjg的调整方法和vij是一样的；误差的计算公式是：
其中，E为误差，
为输出层第i个样本第g个节点期望输出值，
为输出层第i个样本第g个节点实际输出值。
优选地，所述步骤2.1.3中正相关节点的筛选入网步骤包括：对于人属性节点，依据常识加入最亲密关系的相关人员；对于地点属性节点，依据周边情况，加入相关地点，或者根据地理距离，构成虚拟点加入；对于组织属性节点，依据组织关系，加入相关组织或者组织核心人员相关信息。
本发明还提供了一种基层治理中场所的整体安全指数评估装置，基于上述任一项所述的一种基层治理中场所的整体安全指数评估方法得到，包括：
移动端，设有若干个，所述移动端包括学习系统和巡查管理系统，所述学习系统用于网格检查人员日常培训学习，所述巡查管理系统用于网格检查人员进行场所检查、网格治理日常工作使用；
电脑端，同时与若干所述移动端电连接，所述电脑端包括管理维护系统，所述管理维护系统用于后台管理人员进行试题管理、场所管理、安全风险配置、安全风险预警、评估分析报告查阅；
服务器端，同时与所述电脑端和若干所述移动端电连接，所述服务器端包括数据存储分析模块，所述数据存储分析模块用于存储相关数据，并进行后台计算。
优选地，所述管理维护系统包括：
考试管理系统，用于后台管理人员管理试卷和题库，便于网格员在手机端进行技能知识学习；
平安检查类别管理系统，用于后台管理人员配置场所的网格日常巡查检查项目配置；
安全风险类型配置系统，用于后台管理人员对各种风险类型及对应检查项目的的配置；
风险分析评估与预警系统，用于后台管理人员对的风险场所进行研判分析、预警。
由上述方案可知，本发明提供的一种基层治理中场所的整体安全指数评估方法通过专家建立安全检查表法，规范网格员各个风险类型的检查范围；通过层次分析法，自动对不同安全风险分类检查项的计分，进行权重优化，综合场所相关的人、事、地、物、组织等信息，得出各种场所更科学的整体安全风险排名。本发明还提供了一种基层治理中场所的整体安全指数评估装置，该装置设计了包括学习园地、考试管理、安全风险预警、场所类别管理、安全风险配置、评估分析等功能，实现基层社会治理中从培训、检查、评估、处置的安全风险闭环管理。本发明解决现在技术所存在的基层治理技术方案中对安全风险评估的缺失和不完整性，存在基层上报的事件分类规范性不足，各种风险无法进行量化统计，场所相关的人、事、物、组织等风险信息没有纳入，各个场所的相对安全风险程度无法有效识别的问题，作用效果显著，适于广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基层治理中场所的整体安全指数评估方法的过程框图；
图2为本发明实施例提供的一种基层治理中场所的整体安全指数评估装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请一并参阅图1至图2，现对本发明提供的一种基层治理中场所的整体安全指数评估方法的一种具体实施方式进行说明。该种基层治理中场所的整体安全指数评估方法的具体步骤包括：
S1、结合现有的基层治理综合信息系统，建立安全检查表法，规范各个风险类型的检查范围；
基于基层治理场所的治理特点，本发明中场所的安全风险类型包括：消防类风险、治安类风险、生产安全风险、食品类风险、药品类风险、生态环境类风险、金融经济安全风险、矛盾纠纷类风险、交通安全类风险、舆情风险、政治安全风险、其他风险等，风险的详细检查指标及分值通过安全检查表法确立。
平安检查类别包括：大型商超、学校、大型工厂、道路、广场、娱乐场所、宾馆、药店、诊所、饭店、专业市场、综合写字楼等类型。平安检查类型的检查指标从安全风险类型对应的指标库中选取。以上列举的内容仅为说明具体分类或属性的特征，而非限制，不能认为这些列举的内容是本申请的各个实施例必须具备的。
S2、根据场所相关因素的信息构建前馈网络图谱，将场所相关因素的信息纳入评估范畴，得到精确的场所风险的综合评估值，其中场所相关因素的信息包括人(如场所的产权所有人、安全责任人等)、事(如以往发生过的案件、事件等)、地(指附近有关联关系的场所)、物(如：附近的重要设施、储存的危化学品等)、组织(如场所内经营的组织信息等)等的信息；
本发明中对于场所的各类风险检查指标的统计中，增加了与场所相关因素的统计，使得场所的风险评估更加全面。S2的具体步骤包括：
S2.1、根据场所相关因素的信息，得到场所第一相关节点网络和事件第二相关节点网络，选择相关函数得出当前场所第一相关节点网络和事件第二相关节点网络的所有节点特征，计算出当前场所相关风险的总和E；
S2.1具体步骤包括：
S2.1.1、根据相关因素的信息，以场所为中心，构建场所相关的前馈网络图谱E＝G(N，e)，得到场所第一相关节点网络，其中，E为场所所有相关风险的总和，N为去除事件后场所相关因素的集合，e为场所相关的事件，不包含基层治理中的网格治理事件；
S2.1.2、场所第一相关节点网络中的第一相关节点入网后的特征表示为Ni＝f(xi，xco[i]，Nne[i]，xne[i])，其中，节点i的特征用xi表示，xco[i]表示与节点i相关的负向事件集合，Nne[i]表示i的相邻节点的入网后特征，xne[i]表示i的相邻节点的特征，ne[i]表示节点i的邻居节点集合，co[i]表示节点i相关正向关系的集合；
S2.1.3、将第一相关节点的正相关节点入网，这些正相关节点入网后构成事件第二相关节点网络，正相关节点入网后的特征均表示为Ni＝f(xi，xco[i]，Nne[i]，xne[i])，节点在前馈网络中输出的特征表示为：Oi＝g(Ni，xi)，其中，Oi表示节点i的输出，节点i的特征用xi表示，Ni表示节点i的入网后特征；
S2.1.3中正相关节点的筛选入网步骤包括：对于人属性节点，依据常识，加入最亲密关系的相关人员；对于地点属性节点，依据周边情况，加入相关地点，或者根据地理距离，构成虚拟点加入；对于组织属性节点，依据组织关系，加入相关组织或者组织核心人员相关信息。
S2.1.4、根据专家意见和当前社会环境、系统数据，对节点i的每一个前馈节点使用du，并将得到的值求和来作为节点i的状态，du的实现方式为：du(xi，x(i，u)，Nu，xu)＝Ai,uxu+x(i,u)，其中Ai,u是当前场所与节点u的关系特征矩阵，x(i,u)表示节点i及其相邻正相关节点的负向事件风险汇总，得到相关具体函数的特征为
其中，Ni表示节点i的输出，节点i的特征用xi表示，x(i,u)表示节点i及其相邻正相关节点的负向事件集合，Nu表示i的相邻节点u的入网后特征，xu表示i的相邻节点u的特征，ne[i]表示节点i的邻居节点集合；
S2.1.5、经过以上各步骤，得出当前场所相关的第一、二节点网络的所有节点特征，计算出当前场所相关风险的总和E＝G(N，e)＝∑Ni+e。
S2.2、根据前述的当前场所相关风险的总和，按照风险分类，通过德尔菲法进行风险评分，得到场所相关风险总和的风险值R＝(R1，R2，...，Rn)，n为风险分类数目，Ri为各类风险的分类计分值；
S2.3、按照安全检查表法对场所的日常巡查产生的网格治理事件，按照风险分类进行风险评分，得到网格治理事件的风险值r＝(r1，r2，...，rn)，n为风险分类数目，ri为各类治理事件风险评分值。
S3、通过层次分析法建立BP神经网络(BPNN，Back Propagation Neural Network反向传播神经网络)，自动对不同安全风险分类检查项的计分进行权重优化，通过BP神经网络算法并综合场所相关因素的信息，得出各种场所的整体安全风险评分、排名，根据优化后的场所安全风险排名，对基层社会治理进行场所生产安全风险闭环治理。
S3具体步骤包括：
S3.1、通过层次分析法，建立BP神经网络，BP神经网络包括一个输入层、一个隐藏层和一个输出层；
S3.1的具体步骤包括：
S3.1.1、设BP神经网络的输入层有n个节点，隐层有q个节点，输出层有m个节点，
表示BP神经网络隐含层中第j个神经元的阈值，
表示BP神经网络输出层中第g个神经元的阙值，vij表示BP神经网络输入层和隐含层节点之间的连接权值，wjg表示BP神经网络隐含层和输出层节点之间的连接权值；
S3.1.2、通过专家组意见，筛选近段时间当前地区有相关案件记录、行政处罚记录或刑事记录等的场所作为样本，场所内的案件金额、处罚金额、刑事处罚统一折算成对应风险类型的经济损失作为输出层的期望输出值，输出层有m＝i个节点；
S3.1.3、以场所的基本信息(注册资金、缴纳社保人数等)、各类风险的分类计分Ri、各类治理事件风险评分ri作为输入层节点，输入层有n＝2i+2个节点，隐层有q个节点，将训练样本数据归一化后输入网络，建立BP神经网络。
S3.2、根据调整函数对BP神经网络进行训练，得到训练后的BP网络模型；
S3.2的具体步骤包括：
S3.2.1、确定隐层节点个数，使用经验公式
确定隐层节点个数，其中，n为输入层节点数目，m为输出层节点数目，a为1-10之间的调解常数；
S3.2.2、选择函数tanh作为隐层神经元的激活函数和输出层神经元的激活函数，即激活函数
当激活函数f(x)为隐层神经元的激活函数时，x为隐层神经元的输入；当激活函数f(x)为输出层神经元的激活函数时，x为输出层神经元的输入；
S3.2.3、初始化BP神经网络各权值和阈值，示例性的，初始值均为0.01，计算BP神经网络各层的输出，对于隐含层第j个节点的输出
有：
其中，
为隐含层第j个节点的输入，
为输入层第i个节点的输出,
为隐含层的阈值，vij为隐含层的权值；
S3.2.4、对于输出层第g个节点的输出
有：
S3.2.5、当误差大于预设的误差值时，不断调整权值和阈值，直至误差小于预设的误差值为止，得到训练后的BP网络模型。
本实施例中，S3.2.5中，调整的计算公式为：
其中，n为学习次数，δ为学习因子，wjg的调整方法和vij是一样的；误差的计算公式是：
其中，E为误差，
为输出层第i个样本第g个节点期望输出值，
为输出层第i个样本第g个节点实际输出值，示例性的，m为12，期望输出值为场所对应风险的折算后经济损失。
S3.3、将场所的相关数据带入训练后的BP网络模型，得到场所的各类风险评估值，汇总∑Oc，按数值进行排名，得出此地区场所的基层治理场所安全指数排名，场所的相关数据包括：场所的基本信息(注册资金、缴纳社保人数等)、各类风险的分类计分Ri、各类治理事件风险评分ri等；
S3.4、根据排名，安排网格力量，加强治理。
与现有技术相比，该种基层治理中场所的整体安全指数评估方法基于基层治理中网格员的日常巡查、职能站所的检查记录，通过安全检查表方法，对不同类型场所风险进行检查，同时通过层次分析法对不同类型的风险进行权重分析，通过整合场所相关的大数据信息，进行综合整体评估，得出不同场所的安全指数的排名，从而有效安排网格力量，加强巡查治理。
以安全风险防控为中心、以重点场所为对象、以检查事项为脉络，基于网格管理人员的日常生产安全检查项目，对辖区内的重点场所定期进行全覆盖检查，并将相关数据录入系统，综合场所的平安检查记录、暗访记录、事件信息、事故信息、行政处罚信息等，以及场所相关的人、事、地、物、组织等信息，按照安全风险类，进行分类计分，评估出重点场所整体安全风险指数，进行综合排名，合理安排职能部门进行行政干预。
通过构建前馈网络图谱，将场所相关的人、事、地、物、组织等信息的纳入了评估范畴，提高了场所风险的综合评估能力；通过BP神经网络算法，对不同种类场所的不同安全风险，进行了综合量化评分，排名后，可高效安排网格力量进行治理；通过优化后的场所安全风险排名，实现基层社会治理中，从网格员培训、网格检查、生产安全风险评估、部门处置的场所生产安全风险闭环治理；将区域基层治理中日常检查到的场所安全风险进行了全面综合的量化评估，并进行排名，可合理安排行政力量进行有效干预；实现基层社会治理中，从培训、检查、处置、评估的场所安全风险闭环治理。
本发明还提供了一种基层治理中场所的整体安全指数评估装置，该种装置基于上述任一实施例中的一种基层治理中场所的整体安全指数评估方法得到，包括移动端、电脑端、服务器端，其中移动端设有若干个，方便多个网格检查人员同时使用设备对不同场所进行检查监控，移动端包括学习系统和巡查管理系统，学习系统用于网格检查人员日常培训学习，巡查管理系统用于网格检查人员进行场所检查、网格治理日常工作使用；电脑端同时与若干移动端电连接，电脑端包括管理维护系统，管理维护系统用于后台管理人员进行试题管理、场所管理、安全风险配置、安全风险预警、评估分析报告查阅等，电脑端可以与移动端为无线或有线连接的方式进行数据传输；服务器端同时与电脑端和若干移动端电连接，服务器端包括数据存储分析模块，数据存储分析模块用于存储相关数据，并进行后台计算。
在本实施例中，学习系统用于网格员在移动端进行学习，包括题库学习模块、在线练习模块、每日测试模块、计分模块、积分排名模块等；巡查管理系统用于网格人员在移动端经行日常场所巡查、事件上报处置等网格治理日常工作，包括场所巡查模块、事件上报模块、检查指标维护模块等。
在本实施例中，管理维护系统包括考试管理系统、平安检查类别管理系统、安全风险类型配置系统、风险分析评估与预警系统，其中考试管理系统用于后台管理人员通过电脑端管理试卷和题库，便于网格员在手机端进行技能知识学习；平安检查类别管理系统用于后台管理人员通过电脑端配置场所的网格日常巡查检查项目配置；安全风险类型配置系统用于后台管理人员通过电脑端对各种风险类型及对应检查项目的的配置；风险分析评估与预警系统用于后台管理人员通过电脑端对的风险场所进行研判分析、预警。
在本实施例中，考试管理系统包括试卷管理模块、积分管理模块、辖区统计模块等；平安检查类别管理系统包括平安检查类别配置模块、平安检查指标模块、分值配置模块等；安全风险类型配置系统包括安全风险类型配置模块、风险类型检查指标配置模块等；风险分析评估与预警系统包括场所安全风险自动评分计算模块、场所安全风险排名模块、区域场所生产安全风险分析模块、预警分析模块、预警审核模块、安全事故记录管理模块等。
本发明结合现有的基层治理综合信息系统，通过专家建立安全检查表法，规范网格员各个风险类型的检查范围；通过层次分析法，自动对不同安全风险分类检查项的计分，进行权重优化，综合场所相关的人、事、地、物、组织等信息，得出各种场所更科学的整体安全风险排名；同时，设计了包括学习园地、考试管理、安全风险预警、场所类别管理、安全风险配置、评估分析等功能，实现基层社会治理中从培训、检查、评估、处置的安全风险闭环管理。本发明通过实验证明和设计的预期一致。本发明解决现在技术所存在的基层治理技术方案中对安全风险评估的缺失和不完整性，存在基层上报的事件分类规范性不足，各种风险无法进行量化统计，场所相关的人、事、物、组织等风险信息没有纳入，各个场所的相对安全风险程度无法有效识别的问题，作用效果显著，适于广泛推广。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基层治理中场所的整体安全指数评估方法，其特征在于，包括：
步骤1、结合现有的基层治理综合信息系统，建立安全检查表法，规范各个风险类型的检查范围；
步骤2、根据场所相关因素的信息构建前馈网络图谱，得到精确的场所风险的综合评估值，其中所述场所相关因素的信息包括人、事、地、物、组织的信息；
步骤3、通过层次分析法建立BP神经网络，自动对不同安全风险分类检查项的计分进行权重优化，通过BP神经网络算法并综合场所相关因素的信息，得出各种场所的整体安全风险评分、排名；
所述步骤2的具体步骤包括：
步骤2.1、根据场所相关因素的信息，得到场所第一相关节点网络和事件第二相关节点网络，选择相关函数得出当前场所第一相关节点网络和事件第二相关节点网络的所有节点特征，计算出当前场所相关风险的总和E；
步骤2.2、根据当前场所相关风险的总和，按照风险分类，通过德尔菲法进行风险评分，得到场所相关风险总和的风险值R＝(R1，R2，...，Rn)，n为风险分类数目，Ri为各类风险的分类计分值；
步骤2.3、按照安全检查表法对场所的日常巡查产生的网格治理事件，按照风险分类进行风险评分，得到网格治理事件的风险值r＝(r1，r2，...，rn)，n为风险分类数目，ri为各类治理事件风险评分值；
所述步骤3具体步骤包括：
步骤3.1、通过层次分析法，建立BP神经网络，所述BP神经网络包括输入层、隐藏层和输出层；
步骤3.2、根据调整函数对BP神经网络进行训练，得到训练后的BP网络模型；
步骤3.3、将场所的相关数据带入训练后的BP网络模型，得到场所的各类风险评估值，汇总∑Oc，按数值进行排名，得出此地区场所的基层治理场所安全指数排名，其中所述场所的相关数据包括场所的基本信息、各类风险的分类计分Ri、各类治理事件风险评分ri。
2.根据权利要求1所述的一种基层治理中场所的整体安全指数评估方法，其特征在于，所述步骤2.1具体步骤包括：
步骤2.1.1、根据相关因素的信息，以场所为中心，构建场所相关的前馈网络图谱E＝G(N，e)，得到场所第一相关节点网络，其中，E为场所所有相关风险的总和，N为去除事件后场所相关因素的集合，e为场所相关的事件，不包含基层治理中的网格治理事件；
步骤2.1.2、场所第一相关节点网络中的第一相关节点入网后的特征表示为Ni＝f(xi，xco[i]，Nne[i]，xne[i])，其中，节点i的特征用xi表示，xco[i]表示与节点i相关的负向事件集合，Nne[i]表示i的相邻节点的入网后特征，xne[i]表示i的相邻节点的特征，ne[i]表示节点i的邻居节点集合，co[i]表示节点i相关正向关系的集合；
步骤2.1.3、将第一相关节点的正相关节点入网，正相关节点入网构成事件第二相关节点网络，正相关节点入网后的特征均为Ni＝f(xi，xco[i]，Nne[i]，xne[i])，节点在前馈网络中输出的特征表示为：Oi＝g(Ni，xi)，其中，Oi表示节点i的输出，节点i的特征用xi表示，Ni表示节点i的入网后特征；
步骤2.1.4、根据专家意见和当前社会环境、系统数据，对节点i的每一个前馈节点使用du，并将得到的值求和来作为节点i的状态，du的实现方式为：du(xi，x(i，u)，Nu，xu)＝Ai，uxu+x(i，u)，其中Ai，u是当前场所与节点u的关系特征矩阵，x(i，u)表示节点i及其相邻正相关节点的负向事件风险汇总，得到相关函数的特征为
其中，Ni表示节点i的输出，节点i的特征用xi表示，x(i，u)表示节点i及其相邻正相关节点的负向事件集合，Nu表示i的相邻节点u的入网后特征，xu表示i的相邻节点u的特征，ne[i]表示节点i的邻居节点集合；
步骤2.1.5、得出当前场所相关的第一、二节点网络的所有节点特征，计算出当前场所相关风险的总和E＝G(N，e)＝∑Ni+e。
3.根据权利要求2所述的一种基层治理中场所的整体安全指数评估方法，其特征在于，所述步骤3.1的具体步骤包括：
步骤3.1.1、设BP神经网络的输入层有n个节点，隐层有q个节点，输出层有m个节点，
表示BP神经网络隐含层中第j个神经元的阈值，
表示BP神经网络输出层中第g个神经元的阙值，vij表示BP神经网络输入层和隐含层节点之间的连接权值，wjg表示BP神经网络隐含层和输出层节点之间的连接权值；
步骤3.1.2、筛选近段时间当前地区有相关案件记录、行政处罚记录或刑事记录的场所作为样本，场所内的案件金额、处罚金额、刑事处罚统一折算成对应风险类型的经济损失作为输出层的期望输出值，输出层有m＝i个节点；
步骤3.1.3、以场所的基本信息、各类风险的分类计分Ri、各类治理事件风险评分ri作为输入层节点，输入层有n＝2i+2个节点，隐层有q个节点，将训练样本数据归一化后输入网络，建立BP神经网络。
4.根据权利要求3所述的一种基层治理中场所的整体安全指数评估方法，其特征在于，所述步骤3.2的具体步骤包括：
步骤3.2.1、确定隐层节点个数，使用经验公式
确定隐层节点个数，其中，n为输入层节点数目，m为输出层节点数目，a为1-10之间的调解常数；
步骤3.2.2、选择函数tanh作为隐层神经元的激活函数和输出层神经元的激活函数，即激活函数
当激活函数f(x)为隐层神经元的激活函数时，x为隐层神经元的输入；当激活函数f(x)为输出层神经元的激活函数时，x为输出层神经元的输入；
步骤3.2.3、初始化BP神经网络各权值和阈值，计算BP神经网络各层的输出，对于隐含层第j个节点的输出
有：
其中，
为隐含层第j个节点的输入，
为输入层第i个节点的输出；
为隐含层的阈值，vij为隐含层的权值；
步骤3.2.4、对于输出层第g个节点的输出
有：
步骤3.2.5、当误差大于预设的误差值时，不断调整权值和阈值，直至误差小于预设的误差值为止，得到训练后的BP网络模型。
5.根据权利要求4所述的一种基层治理中场所的整体安全指数评估方法，其特征在于，所述步骤3.2.5中，调整的计算公式为：
其中，n为学习次数，δ为学习因子，wjg的调整方法和vij是一样的；误差的计算公式是：
其中，E为误差，
为输出层第i个样本第g个节点期望输出值，
为输出层第i个样本第g个节点实际输出值。
6.根据权利要求5所述的一种基层治理中场所的整体安全指数评估方法，其特征在于，所述步骤2.1.3中正相关节点的筛选入网步骤包括：对于人属性节点，依据常识加入最亲密关系的相关人员；对于地点属性节点，依据周边情况，加入相关地点，或者根据地理距离，构成虚拟点加入；对于组织属性节点，依据组织关系，加入相关组织或者组织核心人员相关信息。
7.一种基层治理中场所的整体安全指数评估装置，基于如权利要求1-6任一项所述的一种基层治理中场所的整体安全指数评估方法得到，其特征在于，包括：
移动端，设有若干个，所述移动端包括学习系统和巡查管理系统，所述学习系统用于网格检查人员日常培训学习，所述巡查管理系统用于网格检查人员进行场所检查、网格治理日常工作使用；
电脑端，同时与若干所述移动端电连接，所述电脑端包括管理维护系统，所述管理维护系统用于后台管理人员进行试题管理、场所管理、安全风险配置、安全风险预警、评估分析报告查阅；
服务器端，同时与所述电脑端和若干所述移动端电连接，所述服务器端包括数据存储分析模块，所述数据存储分析模块用于存储相关数据，并进行后台计算。
8.根据权利要求7所述的一种基层治理中场所的整体安全指数评估装置，其特征在于，所述管理维护系统包括：
考试管理系统，用于后台管理人员管理试卷和题库，便于网格员在手机端进行技能知识学习；
平安检查类别管理系统，用于后台管理人员配置场所的网格日常巡查检查项目配置；
安全风险类型配置系统，用于后台管理人员对各种风险类型及对应检查项目的的配置；
风险分析评估与预警系统，用于后台管理人员对的风险场所进行研判分析、预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210939491.0A CN115375113B (zh) | 2022-08-05 | 2022-08-05 | 一种基层治理中场所的整体安全指数评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210939491.0A CN115375113B (zh) | 2022-08-05 | 2022-08-05 | 一种基层治理中场所的整体安全指数评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115375113A CN115375113A (zh) | 2022-11-22 |
| CN115375113B true CN115375113B (zh) | 2023-04-07 |
Family
ID=84063243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210939491.0A Active CN115375113B (zh) | 2022-08-05 | 2022-08-05 | 一种基层治理中场所的整体安全指数评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115375113B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015070466A1 (zh) * | 2013-11-18 | 2015-05-21 | 国家电网公司 | 安全风险评估方法和装置 |
| CN108241964A (zh) * | 2017-11-23 | 2018-07-03 | 贵州电网有限责任公司铜仁供电局 | 基于bp人工神经网络模型算法的基建现场管控移动应用平台 |
| CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
| CN111489046A (zh) * | 2019-01-29 | 2020-08-04 | 广东省公共卫生研究院 | 一种基于供应链和bp神经网络的区域性食品安全评价模型 |
| CN112215446A (zh) * | 2019-07-10 | 2021-01-12 | 小蜜蜂互联（北京）消防信息技术有限公司 | 一种基于神经网络的单位动态火灾风险评估方法 |
| CN113869736A (zh) * | 2021-09-28 | 2021-12-31 | 应急管理部通信信息中心 | 一种烟花爆竹经营企业安全风险评估分级方法及系统 |
-
2022
- 2022-08-05 CN CN202210939491.0A patent/CN115375113B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115375113A (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bennett Moses et al. | Algorithmic prediction in policing: assumptions, evaluation, and accountability | |
| CN107909299B (zh) | 人伤理赔数据风险检测方法和系统 | |
| US7865383B2 (en) | System and method for examining, describing, analyzing and/or predicting organization performance in response to events | |
| Ekina et al. | Application of bayesian methods in detection of healthcare fraud | |
| CN112668859A (zh) | 基于大数据的客户风险评级方法、装置、设备及存储介质 | |
| WO2016170551A2 (en) | Command and control system for optimal risk management | |
| CN114841660B (zh) | 一种基于现场信息的企业智慧安全管控云平台 | |
| Andrade et al. | A systems perspective on contact centers and customer service reliability modeling | |
| Kengpol et al. | A decision support methodology with risk assessment on prediction of terrorism insurgency distribution range radius and elapsing time: An empirical case study in Thailand | |
| Davis et al. | Five ethical challenges facing data-driven policing | |
| Akinbowale et al. | Application of forensic accounting techniques in the South African banking industry for the purpose of fraud risk mitigation | |
| Steen | On the application of the Safety-II concept in a security context | |
| Greitzer et al. | Use of Expert Judgments to Inform Bayesian Models of Insider Threat Risk. | |
| CN115375113B (zh) | 一种基层治理中场所的整体安全指数评估方法及装置 | |
| Hui | Construction of information security risk assessment model in smart city | |
| US20100042446A1 (en) | Systems and methods for providing core property review | |
| Ekenberg et al. | A cost model for managing information security hazards | |
| Clardy | Toward an HRD auditing protocol: Assessing HRD risk management practices | |
| Gnatyuk et al. | The Model for Calculating the Quantitative Criteria for Assessing the Security Level of Information and Telecommunication Systems. | |
| Yasser Sahib Nassar | Building and analyzing a crisis management model using Fuzzy DEMATEL technique | |
| Elamrani et al. | A model for classification of outsourcing related organizational risks in a pharmaceutical supply chain | |
| Nazari et al. | Evaluating the effectiveness of data mining techniques in credit scoring of bank customers using mathematical models: a case study of individual borrowers of Refah Kargaran Bank in Zanjan Province, Iran | |
| Cohen et al. | Revalidation of the federal pretrial risk assessment instrument (ptra): Testing the ptra for predictive biases | |
| Malagnino | Integrating Statistics based Fire Risk Assessment with Building Life-Cycle Management | |
| Shevchenko et al. | Information Security Risk Management using Cognitive Modeling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |