CN115953252A - 一种建工安责险保费的确定方法 - Google Patents

Abstract

本发明涉及建筑工程安全技术领域，尤其涉及一种建工安责险保费的确定方法，针对当前技术中建筑工程很难进行综合评价，安责险保费确定步骤繁琐，评价结果模糊，保费无法及时调整等问题，现提出如下方案，包括以下步骤：S1：采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估；本发明的目的是通过建筑工程进行风险评估，给出企业和项目安责险保费的确定方法。通过采用基于改进的LECD及模糊数学相结合的静态模型，多层次的权重分配，对风险信息进一步分析，提出建设工程的风险矩阵，结合保险费率矩阵，给出项目以及企业的保险费率，并且实时进行动态评估，对保费及时调整，提高保费的确定效率。

Description

一种建工安责险保费的确定方法

技术领域

本发明涉及建筑工程安全技术领域，尤其涉及一种建工安责险保费的确定方法。

背景技术

自2006年“安责险”开始试点实施以来，在积累大量实际经验的同时，也吸引了国内安全学术界的广泛关注。湖南省、重庆市、江苏省等省市积极开展“安责险”试点工作，取得了丰富经验和良好效果。据统计，截至2018年，我国已经有16个省区开展安责险统保，9个省市开展了安责险试点。

目前政府、保险界和安全学界仍旧主要从“安责险”的实施方式和实践结果开展相关研究，尤其是与“企业安全风险等级”以及“安全生产责任保险适用费率”息息相关的企业安全风险评估方法缺少深入研究，对于建筑施工行业来说，由于建筑工程项目规模较大影响因素较多，单纯的定性分析将会产生一个极其庞大的扩展解范围，从而使得系统行为的解释也变得相对困难起来。这样以来，就需要将其定性进行描述，对其中的一些指标进行量化，从而减少部分模糊性。一些定量识别工具也就因此应运而生。因此，我们提出一种建工安责险保费的确定方法。

发明内容

本发明的目的是解决工程数据很难进行综合评价，保费确定步骤繁琐，评价结果模糊，工程风险评估不合理，无法及时对保费进行调整等问题，而提出的一种建工安责险保费的确定方法。

为了实现上述目的，本发明采用了如下技术方案：

一种建工安责险保费的确定方法，包括以下步骤：

S1：采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估；

S2：在静态评估的基础上，结合BP神经网络的动态评估，给出工程的风险矩阵；

S3：对同一企业的多个工程，依据工程难度和重要性矩阵来进行权重分配，结合安责险费率矩阵，确定企业的安责险费率，并随着单个工程的风险矩阵变化而动态调整；

S4：建立大数据库，根据大数据库对建设工程的类似现象提前给出风险预警；

S5：对于企业的新建工程，根据企业的安责险费率及工程难度和重要性，结合大数据分析对新建工程给出安责险费率；

S6：随着工程进度的进行，采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估，循环进行。

优选的，所述S1中，对施工项目进行风险评估，风险评估的结果以风险矩阵的形式呈现，确定评语集，设定基本准则集合为π＝{f₁,f₂,......f_m}，对每一个风险建立评价准则，对每一个风险从四个方面进行评价，在研究的基础上提出事件发生概率、事后影响严重性、不可预测性、导致事件后果进一步恶化因素这四个标准以评估风险因素，建立评价标准，利用模糊综合评估法建立一组评价等级方案，对风险确定一个评价标准E，设定评语集的n个等级备选方案E＝{e1，e2……en}，1表示非常低；2表示低；3表示中等；4表示高；5表示非常高，按影响因素和决定因素之间的优先顺序分布优先事项，得到影响因素和决定因素组之间的分布比例和优先次序，确定每个风险指标的权重，所有风险因素的评估形成一个模糊评价矩阵。

优选的，所述S1中，基于层次分析法和模糊数学的基本原理，基于层次分析法建立建筑施工安全评价指标体系，体系整体上分为两层，顶层设计为建筑工程危险程度、施工企业资质和制度管理水平、工程现场安全管理情况以及工程项目安全技术实施四个方面，底层为自然条件、水文地质条件、工程规模、技术特征、施工时间因素、施工企业及从业人员资质、安全生产管理机构及人员配置、分包单位资质和管理、安全培训制度、安全检查及隐患排查制度、安全生产责任制度及资金保障制度、安全检查情况、安全标志及防护设置、现场机械设备安全使用管理、文明施工及其他安全管理要求、临电及职业卫生管理、安全施工方案编制与实施、安全技术交底情况、应急预案编制与实施演练、危险性较大分部分项专项安全施工方案实施19个方面，确定指标评语集，开展单指标评估，构建各指标的隶属度向量，建立指标集的隶属度矩阵，基于层次分析法评估指标集权重向量，设定目标与评估指标集U，构造判断矩阵P，通过判断矩阵P计算指标集的权重向量，将判断矩阵P的每一列归化，将归一化后的判断矩阵每一行求和，得每一行求和值Mi，则指标集的各个指标的权重，计算模糊综合评估向量方法，按照隶属度最大原则，进行综合判断或计算综合评估值，建立一个评价在建建设工程施工风险的静态模型。

优选的，所述S1中，整合LECD法，对危险性分值进行权重化，将D值作为风险因素的权重系数，在计算中采用对数函数的方法应用到模型计算中，可以增加打分表中分值的差异化，进而对评价指标值进行优化和修正，如下式所示

B＝A^lgα

式中，B为修正后的评价指标值；A为修正前的评价指标值；a为LECD中的D值，运用修正后的评价指标值，合理处理现场打分表的数据结果，得到的评价风险等级。

优选的，所述S2中，采用动态风险评估方法，采用BP神经网络对同一工程进行预测和评估，结合静态模型给出该工程的风险矩阵，根据风险矩阵给出风险评估结果，采用反向传播学习算法的前馈多层感知器网络，BP神经网络由输入层、隐含层和输出层组成，同层的节点之间不连接，所有节点与前、后层的每个节点均有连接，输入层的每个节点均与第一隐含层的所有节点有连接，输出层的每个节点均与最后一层隐含层的所有节点有连接，隐含层数和隐含层节点数设定为n个，构造n层前馈神经网络，输入层的神经元个数为m1个，第二层为m2个，以此类推，第n层为m(n)个，样本的输入向量为x＝(x1，x2，...，xm1)T，输出向量为d＝(d1，d2，...，dm)T，定义误差函数E为：

对于神经网络中的隐含层，可以用类似的方法导出其权值的更新公式，误差能量函数对应的偏导数得出权值更新，推导隐含层的神经元权值修正公式为

优选的，所述S3中，依据工程难度和重要性矩阵来进行权重分配，其矩阵主要由专家打分来确定，根据每一个专家对这些风险进行打分评价，统计所有这些专家的打分情况，采用8位第三方资深专家的调查问卷及现场实际情况，得到企业安责险费率。

优选的，所述S3中，保险费率矩阵主要由企业所有已建或在建工程的综合风险矩阵决定，并动态调整，企业的保险费率控制在千分之3-3.5，根据企业的保险费率，新建工程的重要性、投资规模、管理难度赋予新建工程的保险费率。

优选的，所述S5中，建立建设工程施工风险大数据库，包括了全国的建设工程施工事故及风险数据，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的自动化预警，根据某个敏感元件对某种因素异常数据的报警，对云平台数据化的风险辨识，依靠关联分析置信度原则进行风险评价和分级。

优选的，并根据最低合理可行原则实现风险分级，应用大数据分析挖掘技术对安全生产大数据库中的预测、预警、报警数据进行分析，并以此为基础实现对风险的趋势预测预警，应用大数据流处理技术针对生产作业场所采集的实时数据进行分析处理，并对当时的风险状态进行的实时的风险预警，通过对精确的风险预警信息的分析，类比历史相似状态数据，推送出针对预警信息出现的风险的控制对策。

优选的，所述S6中，新建工程的风险评估由静态评估和动态评估结合，并参考建设工程施工风险大数据库，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的风险辨识模式，物联网技术对作业场所监控数据，传统的数据采集是基于人工设计、线性计算方法获得具有结构化的报表，物联网通过射频识别、红外感应器、全球定位系统、元素捕捉设备智能传感器的功能，将生产作业场所的人、机、环、管四个要素用互联网联系起来，形成数据化、网络化管理，实现同步检测、实时监控，严格把控生产作业场所的外在影响因素和内在变量的数据信息，通过大数据技术实现数据耦合，对信息交互进行调整，实现对大数据的初始预处理以及内部整合。

本发明的有益效果为：

1.对建筑工程进行风险评估，通过数个工程的评估结果形成企业的安责险费率，进而反馈到新建工程，形成闭环结构，且不断进行动态调整。

2.对于单个工程的风险评估，采用的是基于改进的LECD及模糊数学相结合的静态模型，以及基于BP神经网络的动态模型进行综合判断，并给出一个动态的风险评估结果。

3.多层次的权重分配，基于LECD及模糊数学原理，对每个安全隐患赋予不同的权重系数，继而给出工程的风险评估值；按照工程的重要性及难度进行权重的分配，给出企业的风险矩阵，结合保险费率矩阵，可以给出企业的保险费率；最后回归到新建工程，根据工程的重要性、投资规模、管理难度等因素赋予工程权重，集合企业费率最终得到新建工程的安责险费率。

本发明的目的是通过建筑工程进行风险评估，对工程数据进行综合评价，优化了保费的确定步骤，缩短了保费的确定周期，采用基于改进的LECD及模糊数学相结合的静态模型，对风险信息进一步分析，风险判断更加合理清晰，提出企业的风险矩阵，结合保险费率矩阵，可以给出企业的保险费率，动态评估可对保费及时调整，提高保费的确定效率。

附图说明

图1是本发明提出的一种建工安责险保费的确定方法的流程示意图。

具体实施方式

下面将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。

实施例一

参照图1，一种建工安责险保费的确定方法，包括如下步骤：

S1：采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估；

S2：在静态评估的基础上，结合BP神经网络的动态评估，给出工程的风险矩阵；

S3：对同一企业的多个工程，依据工程难度和重要性矩阵来进行权重分配，结合安责险费率矩阵，确定企业的安责险费率，并随着单个工程的风险矩阵变化而动态调整；

S4：建立大数据库，根据大数据库对建设工程的类似现象提前给出风险预警；

S5：对于企业的新建工程，根据企业的安责险费率及工程难度和重要性，结合大数据分析对新建工程给出安责险费率；

S6：随着工程进度的进行，采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估，循环进行。

本案实例中，对施工项目进行风险评估，风险评估的结果以风险矩阵的形式呈现，确定评语集，设定基本准则集合为π＝{f₁,f₂,......f_m}，对每一个风险建立评价准则，对每一个风险从四个方面进行评价，在研究的基础上提出事件发生概率、事后影响严重性、不可预测性、导致事件后果进一步恶化因素这四个标准以评估风险因素，建立评价标准，利用模糊综合评估法建立一组评价等级方案，对风险确定一个评价标准E，设定评语集的n个等级备选方案E＝{e1，e2……en}，1表示非常低；2表示低；3表示中等；4表示高；5表示非常高，按影响因素和决定因素之间的优先顺序分布优先事项，得到影响因素和决定因素组之间的分布比例和优先次序，确定每个风险指标的权重，所有风险因素的评估形成一个模糊评价矩阵。

本案实例中，基于层次分析法和模糊数学的基本原理，基于层次分析法建立建筑施工安全评价指标体系，体系整体上分为两层，顶层设计为建筑工程危险程度、施工企业资质和制度管理水平、工程现场安全管理情况以及工程项目安全技术实施四个方面，底层为自然条件、水文地质条件、工程规模、技术特征、施工时间因素、施工企业及从业人员资质、安全生产管理机构及人员配置、分包单位资质和管理、安全培训制度、安全检查及隐患排查制度、安全生产责任制度及资金保障制度、安全检查情况、安全标志及防护设置、现场机械设备安全使用管理、文明施工及其他安全管理要求、临电及职业卫生管理、安全施工方案编制与实施、安全技术交底情况、应急预案编制与实施演练、危险性较大分部分项专项安全施工方案实施19个方面，确定指标评语集，开展单指标评估，构建各指标的隶属度向量，建立指标集的隶属度矩阵，基于层次分析法评估指标集权重向量，设定目标与评估指标集U，构造判断矩阵P，通过判断矩阵P计算指标集的权重向量，将判断矩阵P的每一列归化，将归一化后的判断矩阵每一行求和，得每一行求和值Mi，则指标集的各个指标的权重，计算模糊综合评估向量方法，按照隶属度最大原则，进行综合判断或计算综合评估值，建立一个评价在建建设工程施工风险的静态模型。

本案实例中，整合LECD法，对危险性分值进行权重化，将D值作为风险因素的权重系数，在计算中采用对数函数的方法应用到模型计算中，可以增加打分表中分值的差异化，进而对评价指标值进行优化和修正，如下式所示

B＝A^lgα

式中，B为修正后的评价指标值；A为修正前的评价指标值；a为LECD中的D值，运用修正后的评价指标值，合理处理现场打分表的数据结果，得到的评价风险等级。

本案实例中，采用动态风险评估方法，采用BP神经网络对同一工程进行预测和评估，结合静态模型给出该工程的风险矩阵，根据风险矩阵给出风险评估结果，采用反向传播学习算法的前馈多层感知器网络，BP神经网络由输入层、隐含层和输出层组成，同层的节点之间不连接，所有节点与前、后层的每个节点均有连接，输入层的每个节点均与第一隐含层的所有节点有连接，输出层的每个节点均与最后一层隐含层的所有节点有连接，隐含层数和隐含层节点数设定为n个，构造n层前馈神经网络，输入层的神经元个数为m1个，第二层为m2个，以此类推，第n层为m(n)个，样本的输入向量为x＝(x1，x2，...，xm1)T，输出向量为d＝(d1，d2，...，dm)T，定义误差函数E为：

对于神经网络中的隐含层，可以用类似的方法导出其权值的更新公式，误差能量函数对应的偏导数得出权值更新，推导隐含层的神经元权值修正公式为

本案实例中，依据工程难度和重要性矩阵来进行权重分配，其矩阵主要由专家打分来确定，根据每一个专家对这些风险进行打分评价，统计所有这些专家的打分情况，采用8位第三方资深专家的调查问卷及现场实际情况，得到企业安责险费率。

本案实例中，保险费率矩阵主要由企业所有已建或在建工程的综合风险矩阵决定，并动态调整，企业的保险费率控制在千分之3-3.5，根据企业的保险费率，新建工程的重要性、投资规模、管理难度赋予新建工程的保险费率。

本案实例中，建立建设工程施工风险大数据库，包括了全国的建设工程施工事故及风险数据，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的自动化预警，根据某个敏感元件对某种因素异常数据的报警，对云平台数据化的风险辨识，依靠关联分析置信度原则进行风险评价和分级。

本案实例中，根据最低合理可行原则实现风险分级，应用大数据分析挖掘技术对安全生产大数据库中的预测、预警、报警数据进行分析，并以此为基础实现对风险的趋势预测预警，应用大数据流处理技术针对生产作业场所采集的实时数据进行分析处理，并对当时的风险状态进行的实时的风险预警，通过对精确的风险预警信息的分析，类比历史相似状态数据，推送出针对预警信息出现的风险的控制对策。

本案实例中，新建工程的风险评估由静态评估和动态评估结合，并参考建设工程施工风险大数据库，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的风险辨识模式，物联网技术对作业场所监控数据，传统的数据采集是基于人工设计、线性计算方法获得具有结构化的报表，物联网通过射频识别、红外感应器、全球定位系统、元素捕捉设备智能传感器的功能，将生产作业场所的人、机、环、管四个要素用互联网联系起来，形成数据化、网络化管理，实现同步检测、实时监控，严格把控生产作业场所的外在影响因素和内在变量的数据信息，通过大数据技术实现数据耦合，对信息交互进行调整，实现对大数据的初始预处理以及内部整合。

实施例二

参照图1，一种建工安责险保费的确定方法，包括如下步骤：

S1：采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估；

S2：在静态评估的基础上，结合BP神经网络的动态评估，给出工程的风险矩阵；

S3：对同一企业的多个工程，依据工程难度和重要性矩阵来进行权重分配，结合安责险费率矩阵，确定企业的安责险费率，并随着单个工程的风险矩阵变化而动态调整；

S4：建立大数据库，根据大数据库对建设工程的类似现象提前给出风险预警；

S5：对于企业的新建工程，根据企业的安责险费率及工程难度和重要性，结合大数据分析对新建工程给出安责险费率；

S6：随着工程进度的进行，采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估，循环进行。

本案实例中，对施工项目进行风险评估，风险评估的结果以风险矩阵的形式呈现，确定评语集，设定基本准则集合为π＝{f₁,f₂,......f_m}，对每一个风险建立评价准则，对每一个风险从四个方面进行评价，在研究的基础上提出事件发生概率、事后影响严重性、不可预测性、导致事件后果进一步恶化因素这四个标准以评估风险因素，设定评语集的n个等级备选方案E＝{e1，e2……en}，1表示非常低；2表示低；3表示中等；4表示高；5表示非常高，按影响因素和决定因素之间的优先顺序分布优先事项，得到影响因素和决定因素组之间的分布比例和优先次序，确定每个风险指标的权重，所有风险因素的评估形成一个模糊评价矩阵。

本案实例中，基于层次分析法和模糊数学的基本原理，基于层次分析法建立建筑施工安全评价指标体系，体系整体上分为两层，顶层设计为建筑工程危险程度、施工企业资质和制度管理水平、工程现场安全管理情况以及工程项目安全技术实施四个方面，底层为自然条件、水文地质条件、工程规模、技术特征、施工时间因素、施工企业及从业人员资质、安全生产管理机构及人员配置、分包单位资质和管理、安全培训制度、安全检查及隐患排查制度、安全生产责任制度及资金保障制度、安全检查情况、安全标志及防护设置、现场机械设备安全使用管理、文明施工及其他安全管理要求、临电及职业卫生管理、安全施工方案编制与实施、安全技术交底情况、应急预案编制与实施演练、危险性较大分部分项专项安全施工方案实施19个方面，基于层次分析法评估指标集权重向量，设定目标与评估指标集U，构造判断矩阵P，则指标集的各个指标的权重，计算模糊综合评估向量方法，按照隶属度最大原则，进行综合判断或计算综合评估值，建立一个评价在建建设工程施工风险的静态模型。

本案实例中，整合LECD法，对危险性分值进行权重化，将D值作为风险因素的权重系数，在计算中采用对数函数的方法应用到模型计算中，可以增加打分表中分值的差异化，进而对评价指标值进行优化和修正，如下式所示

B＝A^lgα

式中，B为修正后的评价指标值；A为修正前的评价指标值；a为LECD中的D值，运用修正后的评价指标值，合理处理现场打分表的数据结果，得到的评价风险等级。

本案实例中，采用动态风险评估方法，采用BP神经网络对同一工程进行预测和评估，结合静态模型给出该工程的风险矩阵，根据风险矩阵给出风险评估结果，所有节点与前、后层的每个节点均有连接，输入层的每个节点均与第一隐含层的所有节点有连接，输出层的每个节点均与最后一层隐含层的所有节点有连接，隐含层数和隐含层节点数设定为n个，构造n层前馈神经网络，输入层的神经元个数为m1个，第二层为m2个，以此类推，第n层为m(n)个，样本的输入向量为x＝(x1，x2，...，xm1)T，输出向量为d＝(d1，d2，...，dm)T，定义误差函数E为：

对于神经网络中的隐含层，可以用类似的方法导出其权值的更新公式，误差能量函数对应的偏导数得出权值更新，推导隐含层的神经元权值修正公式为

本案实例中，依据工程难度和重要性矩阵来进行权重分配，其矩阵主要由专家打分来确定，根据每一个专家对这些风险进行打分评价，统计所有这些专家的打分情况，采用8位第三方资深专家的调查问卷及现场实际情况，得到企业安责险费率。

本案实例中，保险费率矩阵主要由企业所有已建或在建工程的综合风险矩阵决定，并动态调整，企业的保险费率控制在千分之3-3.5，根据企业的保险费率，新建工程的重要性、投资规模、管理难度赋予新建工程的保险费率。

本案实例中，建立建设工程施工风险大数据库，包括了全国的建设工程施工事故及风险数据，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的自动化预警，根据某个敏感元件对某种因素异常数据的报警，对云平台数据化的风险辨识，依靠关联分析置信度原则进行风险评价和分级。

本案实例中，并根据最低合理可行原则实现风险分级，应用大数据分析挖掘技术对安全生产大数据库中的预测、预警、报警数据进行分析，并对当时的风险状态进行的实时的风险预警，通过对精确的风险预警信息的分析，类比历史相似状态数据，推送出针对预警信息出现的风险的控制对策。

本案实例中，新建工程的风险评估由静态评估和动态评估结合，并参考建设工程施工风险大数据库，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，将生产作业场所的人、机、环、管四个要素用互联网联系起来，形成数据化、网络化管理，实现同步检测、实时监控，严格把控生产作业场所的外在影响因素和内在变量的数据信息，通过大数据技术实现数据耦合，对信息交互进行调整，实现对大数据的初始预处理以及内部整合。

实施例三

参照图1，一种建工安责险保费的确定方法，包括如下步骤：

S1：采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估；

S2：在静态评估的基础上，结合BP神经网络的动态评估，给出工程的风险矩阵；

S3：对同一企业的多个工程，依据工程难度和重要性矩阵来进行权重分配，结合安责险费率矩阵，确定企业的安责险费率，并随着单个工程的风险矩阵变化而动态调整；

S4：建立大数据库，根据大数据库对建设工程的类似现象提前给出风险预警；

S5：对于企业的新建工程，根据企业的安责险费率及工程难度和重要性，结合大数据分析对新建工程给出安责险费率；

S6：随着工程进度的进行，采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估，循环进行。

本案实例中，对施工项目进行风险评估，风险评估的结果以风险矩阵的形式呈现，确定评语集，设定基本准则集合为π＝{f₁,f₂,......f_m}，对每一个风险建立评价准则，建立评价标准，利用模糊综合评估法建立一组评价等级方案，对风险确定一个评价标准E，设定评语集的n个等级备选方案E＝{e1，e2……en}，1表示非常低；2表示低；3表示中等；4表示高；5表示非常高，按影响因素和决定因素之间的优先顺序分布优先事项，所有风险因素的评估形成一个模糊评价矩阵。

本案实例中，基于层次分析法和模糊数学的基本原理，基于层次分析法建立建筑施工安全评价指标体系，底层为自然条件、水文地质条件、工程规模、技术特征、施工时间因素、施工企业及从业人员资质、安全生产管理机构及人员配置、分包单位资质和管理、安全培训制度、安全检查及隐患排查制度、安全生产责任制度及资金保障制度、安全检查情况、安全标志及防护设置、现场机械设备安全使用管理、文明施工及其他安全管理要求、临电及职业卫生管理、安全施工方案编制与实施、安全技术交底情况、应急预案编制与实施演练、危险性较大分部分项专项安全施工方案实施19个方面，确定指标评语集，开展单指标评估，构建各指标的隶属度向量，建立指标集的隶属度矩阵，基于层次分析法评估指标集权重向量，设定目标与评估指标集U，构造判断矩阵P，通过判断矩阵P计算指标集的权重向量，进行综合判断或计算综合评估值，建立一个评价在建建设工程施工风险的静态模型。

本案实例中，整合LECD法，对危险性分值进行权重化，将D值作为风险因素的权重系数，在计算中采用对数函数的方法应用到模型计算中，可以增加打分表中分值的差异化，进而对评价指标值进行优化和修正，如下式所示

B＝A^lgα

式中，B为修正后的评价指标值；A为修正前的评价指标值；a为LECD中的D值，运用修正后的评价指标值，合理处理现场打分表的数据结果，得到的评价风险等级。

本案实例中，采用动态风险评估方法，采用BP神经网络对同一工程进行预测和评估，结合静态模型给出该工程的风险矩阵，根据风险矩阵给出风险评估结果，输出层的每个节点均与最后一层隐含层的所有节点有连接，隐含层数和隐含层节点数设定为n个，构造n层前馈神经网络，输入层的神经元个数为m1个，第二层为m2个，以此类推，第n层为m(n)个，样本的输入向量为x＝(x1，x2，...，xm1)T，输出向量为d＝(d1，d2，...，dm)T，定义误差函数E为：

对于神经网络中的隐含层，可以用类似的方法导出其权值的更新公式，误差能量函数对应的偏导数得出权值更新，推导隐含层的神经元权值修正公式为

本案实例中，依据工程难度和重要性矩阵来进行权重分配，其矩阵主要由专家打分来确定，根据每一个专家对这些风险进行打分评价，统计所有这些专家的打分情况，采用8位第三方资深专家的调查问卷及现场实际情况，得到企业安责险费率。

本案实例中，保险费率矩阵主要由企业所有已建或在建工程的综合风险矩阵决定，并动态调整，企业的保险费率控制在千分之3-3.5，根据企业的保险费率，新建工程的重要性、投资规模、管理难度赋予新建工程的保险费率。

本案实例中，建立建设工程施工风险大数据库，包括了全国的建设工程施工事故及风险数据，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的自动化预警，根据某个敏感元件对某种因素异常数据的报警，依靠关联分析置信度原则进行风险评价和分级。

本案实例中，并根据最低合理可行原则实现风险分级，应用大数据分析挖掘技术对安全生产大数据库中的预测、预警、报警数据进行分析，并以此为基础实现对风险的趋势预测预警，并对当时的风险状态进行的实时的风险预警，通过对精确的风险预警信息的分析，类比历史相似状态数据，推送出针对预警信息出现的风险的控制对策。

本案实例中，新建工程的风险评估由静态评估和动态评估结合，并参考建设工程施工风险大数据库，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的风险辨识模式，物联网技术对作业场所监控数据，传统的数据采集是基于人工设计、线性计算方法获得具有结构化的报表，物联网通过射频识别、红外感应器、全球定位系统、元素捕捉设备智能传感器的功能，实现同步检测、实时监控，严格把控生产作业场所的外在影响因素和内在变量的数据信息，通过大数据技术实现数据耦合，对信息交互进行调整，实现对大数据的初始预处理以及内部整合。

对比例一

与实施例一不同之处在于，S1：采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估，对施工项目进行风险评估，风险评估的结果以风险矩阵的形式呈现，确定评语集，设定基本准则集合为π＝{f₁,f₂,……f_m}，对每一个风险建立评价准则，对每一个风险从四个方面进行评价，在研究的基础上提出事件发生概率、事后影响严重性、不可预测性、导致事件后果进一步恶化因素这四个标准以评估风险因素，建立评价标准，利用模糊综合评估法建立一组评价等级方案，对风险确定一个评价标准E，设定评语集的n个等级备选方案E＝{e1，e2……en}，1表示非常低；2表示低；3表示中等；4表示高；5表示非常高，按影响因素和决定因素之间的优先顺序分布优先事项，得到影响因素和决定因素组之间的分布比例和优先次序，确定每个风险指标的权重，所有风险因素的评估形成一个模糊评价矩阵，，基于层次分析法和模糊数学的基本原理，基于层次分析法建立建筑施工安全评价指标体系，体系整体上分为两层，顶层设计为建筑工程危险程度、施工企业资质和制度管理水平、工程现场安全管理情况以及工程项目安全技术实施四个方面，底层为自然条件、水文地质条件、工程规模、技术特征、施工时间因素、施工企业及从业人员资质、安全生产管理机构及人员配置、分包单位资质和管理、安全培训制度、安全检查及隐患排查制度、安全生产责任制度及资金保障制度、安全检查情况、安全标志及防护设置、现场机械设备安全使用管理、文明施工及其他安全管理要求、临电及职业卫生管理、安全施工方案编制与实施、安全技术交底情况、应急预案编制与实施演练、危险性较大分部分项专项安全施工方案实施19个方面，确定指标评语集，开展单指标评估，构建各指标的隶属度向量，建立指标集的隶属度矩阵，基于层次分析法评估指标集权重向量，设定目标与评估指标集U，构造判断矩阵P，通过判断矩阵P计算指标集的权重向量，将判断矩阵P的每一列归化，将归一化后的判断矩阵每一行求和，得每一行求和值Mi，则指标集的各个指标的权重，计算模糊综合评估向量方法，按照隶属度最大原则，进行综合判断或计算综合评估值，建立一个评价在建建设工程施工风险的静态模型，整合LECD法，对危险性分值进行权重化，将D值作为风险因素的权重系数，在计算中采用对数函数的方法应用到模型计算中，可以增加打分表中分值的差异化，进而对评价指标值进行优化和修正，如下式所示

B＝A^lgα

式中，B为修正后的评价指标值；A为修正前的评价指标值；a为LECD中的D值，运用修正后的评价指标值，合理处理现场打分表的数据结果，得到的评价风险等级。

对比例二

与实施例二不同之处在于，S3：对同一企业的多个工程，依据工程难度和重要性矩阵来进行权重分配，结合安责险费率矩阵，确定企业的安责险费率，并随着单个工程的风险矩阵变化而动态调整，保险费率矩阵主要由企业所有已建或在建工程的综合风险矩阵决定，并动态调整，企业的保险费率控制在千分之3-3.5，根据企业的保险费率，新建工程的重要性、投资规模、管理难度赋予新建工程的保险费率，建立建设工程施工风险大数据库，包括了全国的建设工程施工事故及风险数据，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的自动化预警，根据某个敏感元件对某种因素异常数据的报警，对云平台数据化的风险辨识，依靠关联分析置信度原则进行风险评价和分级。

对比例三

与实施例三不同之处在于，S5：对于企业的新建工程，根据企业的安责险费率及工程难度和重要性，结合大数据分析对新建工程给出安责险费率，并根据最低合理可行原则实现风险分级，应用大数据分析挖掘技术对安全生产大数据库中的预测、预警、报警数据进行分析，并对当时的风险状态进行的实时的风险预警，通过对精确的风险预警信息的分析，类比历史相似状态数据，推送出针对预警信息出现的风险的控制对策，新建工程的风险评估由静态评估和动态评估结合，并参考建设工程施工风险大数据库，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，将生产作业场所的人、机、环、管四个要素用互联网联系起来，形成数据化、网络化管理，实现同步检测、实时监控，严格把控生产作业场所的外在影响因素和内在变量的数据信息，通过大数据技术实现数据耦合，对信息交互进行调整，实现对大数据的初始预处理以及内部整合。

实验例

将实施例一、实施例二和实施例三的建工安责险保费的确定方法进行试验，得出结果如下：

	实施例一	实施例二	实施例三	现有方法
					保险费率	73％	42％	39％	58％
风险分析效率	91％	61％	57％	43％

实施例一、实施例二和实施例三的建工安责险保费的确定方法对比现有的建工安责险保费的确定方法，风险分析效率和保险费率显著提升，且实施例一为最佳实施例。

检测报告

本发明的目的是针对现有技术建筑工程很难进行综合评价，安责险保费确定步骤繁琐，评价结果模糊，保费无法及时调整等问题，提出一种建工安责险保费的确定方法。通过采用基于改进的LECD及模糊数学相结合的静态模型，多层次的权重分配，对风险信息进一步分析，提出建设工程的风险矩阵，结合保险费率矩阵，给出项目以及企业的保险费率，并且实时进行动态评估，对保费及时调整，提高保费的确定效率。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种建工安责险保费的确定方法，其特征在于，包括以下步骤：

S1：采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估；

S2：在静态评估的基础上，结合BP神经网络的动态评估，给出工程的风险矩阵；

S3：对同一企业的多个工程，依据工程难度和重要性矩阵来进行权重分配，结合安责险费率矩阵，确定企业的安责险费率，并随着单个工程的风险矩阵变化而动态调整；

S4：建立大数据库，根据大数据库对建设工程的类似现象提前给出风险预警；

S5：对于企业的新建工程，根据企业的安责险费率及工程难度和重要性，结合大数据分析对新建工程给出安责险费率；

S6：随着工程进度的进行，采用整合LECD法和模糊数学的静态模型，对施工项目进行风险评估，循环进行。

2.根据权利要求1所述的一种建工安责险保费的确定方法，其特征在于，所述S1中，对施工项目进行风险评估，风险评估的结果以风险矩阵的形式呈现，确定评语集，设定基本准则集合为π＝{f₁,f₂,......f_m}，对每一个风险建立评价准则，对每一个风险从四个方面进行评价，在研究的基础上提出事件发生概率、事后影响严重性、不可预测性、导致事件后果进一步恶化因素这四个标准以评估风险因素，建立评价标准，利用模糊综合评估法建立一组评价等级方案，对风险确定一个评价标准E，设定评语集的n个等级备选方案E＝{e1，e2……en}，1表示非常低；2表示低；3表示中等；4表示高；5表示非常高，按影响因素和决定因素之间的优先顺序分布优先事项，得到影响因素和决定因素组之间的分布比例和优先次序，确定每个风险指标的权重，所有风险因素的评估形成一个模糊评价矩阵。

3.根据权利要求1所述的一种建工安责险保费的确定方法，其特征在于，所述S1中，基于层次分析法和模糊数学的基本原理，基于层次分析法建立建筑施工安全评价指标体系，体系整体上分为两层，顶层设计为建筑工程危险程度、施工企业资质和制度管理水平、工程现场安全管理情况以及工程项目安全技术实施四个方面，底层为自然条件、水文地质条件、工程规模、技术特征、施工时间因素、施工企业及从业人员资质、安全生产管理机构及人员配置、分包单位资质和管理、安全培训制度、安全检查及隐患排查制度、安全生产责任制度及资金保障制度、安全检查情况、安全标志及防护设置、现场机械设备安全使用管理、文明施工及其他安全管理要求、临电及职业卫生管理、安全施工方案编制与实施、安全技术交底情况、应急预案编制与实施演练、危险性较大分部分项专项安全施工方案实施19个方面，确定指标评语集，开展单指标评估，构建各指标的隶属度向量，建立指标集的隶属度矩阵，基于层次分析法评估指标集权重向量，设定目标与评估指标集U，构造判断矩阵P，通过判断矩阵P计算指标集的权重向量，将判断矩阵P的每一列归化，将归一化后的判断矩阵每一行求和，得每一行求和值Mi，则指标集的各个指标的权重，计算模糊综合评估向量方法，按照隶属度最大原则，进行综合判断或计算综合评估值，建立一个评价在建建设工程施工风险的静态模型。

4.根据权利要求3所述的一种建工安责险保费的确定方法，其特征在于，所述S1中，整合LECD法，对危险性分值进行权重化，将D值作为风险因素的权重系数，在计算中采用对数函数的方法应用到模型计算中，可以增加打分表中分值的差异化，进而对评价指标值进行优化和修正，如下式所示

B＝A^lgα

式中，B为修正后的评价指标值；A为修正前的评价指标值；a为LECD中的D值，运用修正后的评价指标值，合理处理现场打分表的数据结果，得到的评价风险等级。

5.根据权利要求1所述的一种建工安责险保费的确定方法，其特征在于，所述S2中，采用动态风险评估方法，采用BP神经网络对同一工程进行预测和评估，结合静态模型给出该工程的风险矩阵，根据风险矩阵给出风险评估结果，采用反向传播学习算法的前馈多层感知器网络，BP神经网络由输入层、隐含层和输出层组成，同层的节点之间不连接，所有节点与前、后层的每个节点均有连接，输入层的每个节点均与第一隐含层的所有节点有连接，输出层的每个节点均与最后一层隐含层的所有节点有连接，隐含层数和隐含层节点数设定为n个，构造n层前馈神经网络，输入层的神经元个数为m1个，第二层为m2个，以此类推，第n层为m(n)个，样本的输入向量为x＝(x1，x2，...，xm1)T，输出向量为d＝(d1，d2，...，dm)T，定义误差函数E为：

对于神经网络中的隐含层，可以用类似的方法导出其权值的更新公式，误差能量函数对应的偏导数得出权值更新，推导隐含层的神经元权值修正公式为

6.根据权利要求1所述的一种建工安责险保费的确定方法，其特征在于，所述S3中，依据工程难度和重要性矩阵来进行权重分配，其矩阵主要由专家打分来确定，根据每一个专家对这些风险进行打分评价，统计所有这些专家的打分情况，采用8位第三方资深专家的调查问卷及现场实际情况，得到重要性矩阵，进而得到企业安责险费率。

7.根据权利要求1所述的一种建工安责险保费的确定方法，其特征在于，所述S3中，保险费率矩阵主要由企业所有已建或在建工程的综合风险矩阵决定，并动态调整，企业的保险费率控制在千分之3-3.5，根据企业的保险费率，新建工程的重要性、投资规模、管理难度赋予新建工程的保险费率。

8.根据权利要求1所述的一种建工安责险保费的确定方法，其特征在于，所述S5中，建立建设工程施工风险大数据库，包括了全国的建设工程施工事故及风险数据，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的自动化预警，根据某个敏感元件对某种因素异常数据的报警，对云平台数据化的风险辨识，依靠关联分析置信度原则进行风险评价和分级。

9.根据权利要求1所述的一种建工安责险保费的确定方法，其特征在于，所述S5中，并根据最低合理可行原则实现风险分级，应用大数据分析挖掘技术对安全生产大数据库中的预测、预警、报警数据进行分析，并以此为基础实现对风险的趋势预测预警，应用大数据流处理技术针对生产作业场所采集的实时数据进行分析处理，并对当时的风险状态进行的实时的风险预警，通过对精确的风险预警信息的分析，类比历史相似状态数据，推送出针对预警信息出现的风险的控制对策。

10.根据权利要求1所述的一种建工安责险保费的确定方法，其特征在于，所述S6中，新建工程的风险评估由静态评估和动态评估结合，并参考建设工程施工风险大数据库，根据大数据库对新建工程的类似现象提前给出风险预警，并调整风险评估等级，基于大数据的风险辨识模式，物联网技术对作业场所监控数据，传统的数据采集是基于人工设计、线性计算方法获得具有结构化的报表，物联网通过射频识别、红外感应器、全球定位系统、元素捕捉设备智能传感器的功能，将生产作业场所的人、机、环、管四个要素用互联网联系起来，形成数据化、网络化管理，实现同步检测、实时监控，严格把控生产作业场所的外在影响因素和内在变量的数据信息，通过大数据技术实现数据耦合，对信息交互进行调整，实现对大数据的初始预处理以及内部整合。

Images