张晓雷：数据驱动的城镇燃气管道风险因素识别及关联分析

作者：

张晓雷¹，郑春宏²，刘露³，葛彦泽³，徐小峰³，黄玉萍¹，马俊⁴

作者单位：

1.中国石油天然气股份有限公司天然气销售山东分公司，山东 济南 250013

2.青岛中石油昆仑胜利燃气有限公司，山东 青岛 266100

3.中国石油大学(华东) 经济管理学院，山东 青岛 266580

4.中国石油天然气股份有限公司天然气销售分公司 第二质量安全环保监督中心，北京 100034

作者简介：

张晓雷(1984—)，男，陕西凤翔人，中国石油天然气股份有限公司天然气销售山东分公司工程师，研究方向为油气储运。

通信作者：

郑春宏(1971—)，男，辽宁抚顺人，青岛中石油昆仑胜利燃气有限公司高级政工师，研究方向为工商管理。

中图分类号：

TU996

文献标识码：

A

文章编号：

1673-5595(2024)03-0010-08

DOI：

10.13216/j.cnki.upcjess.2024.03.0002

摘要：

城镇燃气管网作为重要的满足群众生活需求的基础设施，其安全性对于保障广大人民群众的财产与生命安全具有重要意义。以810件国内城镇燃气管道泄漏、爆炸事故案例为样本，采用文本挖掘技术对样本案例进行分词处理，根据TF-IDF算法统计词频并确定导致燃气管道泄漏的关键风险因素；通过共现分析实现风险因素间关系的可视化，计算中心性指标，确定风险因素集合；基于Apriori算法揭示了燃气管道安全风险因素之间的关联规则。研究发现：在城镇燃气管道关键风险因素识别过程中，文本挖掘方法与传统方法分析结果基本一致；在次要因素分析中，管道设备老化、安全生产过程中的员工培训、安全保护措施、审批程序不完善等因素，相较以往研究都呈现出了与燃气事故更强的关联程度，这为管道安全管理提供了新的视角。

关键词：

城镇燃气管道；风险因素；文本挖掘；共现分析；关联规则挖掘

引言及文献综述

随着我国燃气普及率的不断提高，燃气管道铺设长度快速增长，发展重心逐渐转移到城镇民用管道。^[1]作为城市安全运行管理的重要组成部分，燃气安全管理与城市日常生活息息相关，一旦发生燃气管道泄漏、火灾、爆炸事故，将造成财产损失，甚至严重威胁人民群众的生命安全。当前，我国燃气使用规模不断增大，燃气安全隐患点多面广，燃气事故时有发生。根据中国城市燃气协会发布的《全国燃气事故分析报告》（2022 年全年综述）统计，2022年全年共收集到媒体报道的国内（不含港澳台）燃气事故802起，造成66人死亡、487人受伤，其中重大事故0起、较大事故10起，事故分布在全国30个省份、249个城市。^[2]近年来，大型燃气事故频发，给社会造成了严重后果和不良影响。例如，2016年4月10日，北京海淀区某小区进行施工作业时，挖断燃气管道导致燃气泄漏，引发了燃气爆炸事故，致使1人死亡、2人受伤；2017年7月4日，吉林省松原市宁江区繁华路发生城市燃气管道泄漏爆炸事故，造成7人死亡、85人受伤；2021年6月13日，湖北省十堰市张湾区艳湖小区发生天然气爆炸事故，41厂菜市场被炸毁，爆炸造成25人死亡、138人受伤（其中37人重伤）。由于燃气事故具有突发性、危害性、损失大等特点，备受广大社会民众、燃气经营企业、相关学术研究机构和政府机构的关注。一直以来，我国对安全问题十分重视，2023年，为了避免如“湖北十堰 6·13”此类大型安全生产事故再次发生，国务院安委会发布了《全国重大事故隐患专项排查整治2023行动总体方案》，燃气行业作为重点行业领域出现在方案中。各级政府及相关安全管理部门颁布的《关于在重点行业和领域开展安全生产隐患排查治理专项行动的通知》和《安全生产事故隐患排查治理暂行规定》，也对各行各业安全隐患识别排查及风险管控提出了较高的要求。^[3]对城镇燃气管道进行风险评价，加强事前预防避免事故发生，已成为管道安全管理和风险控制的有效手段。^[4]风险因素识别作为风险评价的重要环节，既是风险管理的基础，也是开展安全生产工作的前提。因此，对燃气管道运营过程中存在的风险因素进行识别与分析，对保障人民生命和财产安全意义重大。

当前，燃气管道实际运营管理过程中的风险因素，主要依赖于专家经验和现场工作人员人为识别。董宏理^[5]、杨茂华等^[6]将改进的安全检查表应用于燃气安全评估过程，建立安全检查标准；曾小康等^[7]根据国家标准和规范，结合专家经验，识别、归纳了105项风险影响因素，并以此建立燃气管网风险评估体系。也有一些学者为了提高客观性，对收集到的管道失效数据进行统计分析，并以此作为风险因素识别的依据。Belvederesi等^[8]基于管道数据库，统计分析管道失效后果与各相关变量间的关系，确定了以管道设计过程为主的燃气管道风险因素；杨玉锋等^[9]以美国燃气管道失效数据库为依据将风险因素归为7类。近年来，对管道失效风险因素的关注程度呈上升趋势，应用于风险因素识别的方法也逐渐增多，越来越多的学者将专家经验与数据统计结合起来识别风险因素，并辅以模型分析。索玮岚等^[10]利用人工梳理和二元语义表示模型，分析提炼城市管线运行的风险因素集合，并通过问卷调查征求专家及企业意见进行筛选和修正；杜雨霁等^[11]利用德尔菲法向燃气公司相关专家展开调研，确认燃气管网风险评估变量集合，并采用因子分析法构建风险评估指标体系。

随着技术的发展，各个行业的风险因素识别开始应用各种科学算法，一些学者运用机器学习算法^[12-13]采集施工现场的事故数据，识别工作活动中的关键事项；或运用眼动仪技术^[14]分析人为因素对风险因素识别的影响。文本挖掘是一种从非结构化的文本信息中提取潜在知识和模式的过程，其应用范围广泛。目前该方法在安全领域方面主要应用于建筑施工作业、煤矿生产、交通运输等行业；其应用方式主要包括词频分析、因果分析，或与其他方法共同使用。谭章禄等^[15]、陈聪聪等^[16]都对煤矿事故隐患描述进行文本挖掘分析，统计高频隐患，指导隐患治理；Qiu等^[17]基于文本挖掘技术，探索煤矿事故致因机理，构建事故因果关系网络；Xu等^[18]采用文本挖掘方法提取出43个安全风险因素，并在此基础上提出了一种多层解释结构模型确定风险之间的相互作用；Kwayu等^[19]使用文本挖掘技术在运输安全领域挖掘出有效的文本信息，并利用结构主题建模方法和网络拓扑分析方法，识别导致交通事故发生的主要地点和原因；Kim等^[20] 在分析施工区域火灾事故原因时，将文本挖掘技术与主成分分析法相结合，以时间、地点、事故模式等为依据推断出季节性因素。

根据对已有文献的梳理，燃气管道风险因素大多以简单数据统计、经验总结、人为识别或多种方法结合进行分析，缺乏一定的客观性和系统性。从管道事故报告、失效统计数据中系统地识别燃气管道的风险因素非常重要，且文本挖掘技术在安全领域已有应用，只是目前鲜有学者将其运用于燃气管道风险因素识别。因此，本研究基于全国燃气管道失效事故案例库，利用文本挖掘技术，以数据驱动的方式识别关键风险，构建因素之间的共现矩阵和共现网络，并运用Apriori算法挖掘、分析风险因素之间的关联关系。本研究的创新点主要表现在：提出风险因素分析流程；采用共现分析和Apriori算法识别风险因素关联性；突显次要因素重要性，为全面风险管理提供了新视角。

研究设计

文本挖掘是一种利用机器学习、自然语言处理等技术，从文本数据中提取潜在有价值知识的分析方法，可应用于信息提取、主题追踪、文本分类、信息可视化等领域。文本挖掘的对象通常是半结构化或非结构化的自然语言文本，对于揭示文本数据中隐藏的有价值信息具有重要意义。首先，利用文本挖掘方法统计分析全国范围内的城镇燃气管道失效数据，识别出关键风险因素；其次，对识别出的风险因素依次进行共现分析、中心性分析和关联分析，明确风险因素的重要程度和关联信息。具体识别流程如图1所示。

图1 风险因素识别流程

研究过程

（一）数据来源及处理

我国燃气管道铺设规模大、供气用户多、运输介质具有易燃易爆性，且管网大多位于人口密集区域，一旦发生事故可能会造成严重的负面影响。本文从博燃网、燃气爆炸微信公众号、国际燃气网、国家应急管理部网站等，收集到2010—2022年间国内有详细数据信息记录的城镇燃气管道事故810起，并对事故类型以及详细原因进行了统计分析。

这810起国内燃气管道事故案例来源、时间分布广泛，其数据信息基本涵盖本文所需的城镇燃气管道风险因素。为保证挖掘效果，本文在分析之前，采用文献检索方法，在知网期刊索引数据库中，检索近年来发表主题为“燃气管道” “燃气事故风险因素”“燃气管道风险评价”等与燃气管道安全风险因素相关的文献，记录文献中影响城镇燃气管道的风险因素相关术语，补充至分词词库当中。

在此基础上，对上述810余条国内事故案例文本数据进行清洗，统一化处理同义词，清洗后部分案例的文本构成如表1所示，最终仅保留了事故发生时间、地点和具体的事故原因描述字段，剔除了事故发生经过和事故后果描述部分。

表1 国内燃气事故案例（部分）

（二）词云展示

关键词分析是文本挖掘和自然语言处理中的一项重要任务，旨在从文本数据中提取出最具代表性和有意义的关键词或短语。这些关键词通常能够准确地概括文本的主题、内容或特征，对于文本分类具有重要作用。本文在对城镇燃气管道事故样本数据报告进行文本挖掘分词处理时，选用Python的jieba库，并基于TF-IDF算法将分词结果输出为词云图，如图2所示。词云是一种文本数据可视化工具，它对文本中的关键词按照词频和权重进行排序，将其展示在一个图形中，并予以视觉上的突出，从而有助于直观地理解文本的主题和内容。在词云图中，词语字体的大小表示风险因素在文本数据中的相对出现频率，字体越大代表着出现频率越高。

图2 燃气管道事故文本挖掘词云

根据城镇燃气管道事故报告风险因素的TFIDF词频分析结果和风险因素的类型，可以把风险因素分为主要风险因素和一般风险因素。其中，主要风险因素包括第三方破坏、材料/设备/焊接失效、误操作、腐蚀、自然破坏5项，一般风险因素包括交通事故、私自改造、监管失效、施工操作不当、用户操作不当、维护操作不当、地面沉降、动物咬噬、违章施工、老化、违章占压、暴雨、管道标识不准确、安全生产意识缺失、未采取安全保护措施、野蛮施工等。事故的发生往往不是由单一因素导致的，而是多个因素相互叠加的结果。本文对单个风险因素进行共现分析和关联分析，验证因素之间的相关关系。

（三）共现分析

1.共现分析与共现矩阵

共现分析是一种分析文献、词汇、实体等共同出现的频率和模式的方法，常用于探索多个变量之间的关系。其基本原理是，将文本数据中出现的因素两两配对，通过构建共现矩阵记录文本中两个变量的共现次数，使用Gephi、Ucinet、VOS viewer等软件工具将这些共现关系可视化，并揭示它们之间的模式、中心性和其他特征。在进行燃气管道风险分析时，共现分析可以通过以下步骤实现。

（1）数据预处理。将原始数据进行清洗和转换，将数据转换为适合共现分析的格式，具体包括对文本进行分词和去除停用词等处理。

（2）构建共现矩阵。共现矩阵是一个二维矩阵，其中，行和列分别代表数据集中的项，矩阵元素表示对应项的共现频率。将燃气管道事故中出现的风险因素两两配对组成词对，遍历数据集，统计每对项的共同出现次数，并将其填入共现矩阵的对应位置。

（3）分析共现模式。通过分析共现矩阵，可以发现项之间的共现模式。共现模式可以是项之间的频繁共现，也可以是一些特定的组合出现。

（4）可视化。使用Gephi等可视化工具将共现模式以图表的形式呈现出来。

共现矩阵中风险因素的频次能够体现某项风险因素的相对重要程度。根据共现矩阵可以形成可视化的共现网络，其中的节点与连线分别代表不同因素及各因素之间的关联。利用文本挖掘得到分词结果构建共现矩阵，其中以主要风险因素为代表的部分共现矩阵如表2所示，运用Gephi软件分析共现矩阵并将其转化为风险因素共现网络图（见图3）。由表2和图3可以看出，不同的高频风险因素及其相互间的联系，可反映某个风险因素在燃气管道事故因素网络中的重要性。

表2 共现矩阵（部分）

图3 燃气管道风险因素共现网络结构

图3中，边的权重表示 2个因素共同出现的频次，权重越大，两个因素之间的线条就越粗，因素之间的关系也越紧密。从图3可以看出，与燃气泄漏相连的边中，权重较大、线条较粗的因素主要是第三方破坏、施工操作不当、误操作、材料/设备/焊接失效、腐蚀，表示这几个因素与燃气泄漏的发生有着较为紧密的联系，当出现上述几种情况时，最容易出现泄漏事故，这与风险因素词频统计结果相一致。

2.中心性分析

“中心性”是衡量相邻节点之间紧密程度的指标。作为社交网络分析和复杂网络研究中的一项重要技术，中心性分析在共现分析中用于识别网络中的关键节点、衡量节点在共现网络中的重要程度。通过中心性分析，可以识别出在共现网络中具有较高中心性的项，这些项通常也是网络中最重要的节点，其共现关系对整个网络的结构和功能有着重要影响。对这些重要节点进行深入分析，有助于发现共现模式、探索项之间的关系，以及理解共现网络的特性和功能。

最常用的中心性指标包括度中心性（Degree）和介数中心性（Betweenness Centrality）。其中，度中心性是指与节点相连接的边的条数；介数中心性是指节点在网络中作为中介连接的频率，表示该节点在连接其他节点之间的共现关系中的中转作用，介数中心性越高，说明该节点对相邻节点的影响越大。在网络中，中心节点通常与其他节点有着更多的连接关系，可以更快地传播信息，更容易成为信息的聚集点，从而具有更大的影响力和控制力。中心性可以用来确定网络中最重要的节点和子群体，帮助理解和分析网络结构和功能。设节点α和节点y的最短路径数为 σ（x，y），最短路径中通过v的路径数为σ（x，y|v），则节点v在 N 个风险因素的非带权网络中的“介数中心性”定义为

通过Gephi软件分析可以得到每个点的中心性，表3为部分风险因素的中心性。

从表3可以得出，介数中心性比较高的风险因素分别为第三方破坏、材料/设备/焊接失效、腐蚀、误操作。这与前述词频分析的结果大致相同。由于自然破坏导致的事故出现频率较低，因此在数据中体现并不明显，但结合现有研究以及国家标准，自然破坏虽然出现频次低，一旦发生却是破坏力极大，因此应作为独立于前述4个因素的另一类关键因素。同时通过Gephi展示可以得出与主要因素相连的综合因素集合，以第三方破坏、误操作、腐蚀、材料/ 设备/ 焊接失效为例，其相关风险因素集合如表4所示。

表3 风险因素的中心性指标（部分）

表4 相关风险因素集合

（四）关联规则分析

关联规则分析是一种在数据集中发现事项之间关联性的数据挖掘方法，其核心目标是从数据中挖掘频繁项集并生成有意义的关联规则，这些规则表达了项之间的搭配或关联情况。关联规则分析在商业、市场、医疗和生物信息学等领域都有重要应用。关联规则分析主要依赖于“频繁项集”的概念，关联规则是基于频繁项集生成的。频繁项集是指在数据集中同时出现频率较高的一组项，这些项集反映了在数据中某些项之间的普遍关联性。本文就是要探寻导致每起燃气管道事故发生的风险因素之间是否具有关联关系。

本文采用关联规则挖掘中的Apriori算法，该算法基于“先验原理”，即如果一个项集是频繁的，那么它的所有子集也是频繁的，利用该性质，逐层筛选出频繁项集。因此，Apriori算法采用自底向上的逐层搜索策略，经过生成候选项集、计算其支持度、筛选掉不满足支持度要求的项集等步骤，不断迭代，最终得到所有的频繁项集。Apriori算法的步骤如图4所示。

在Apriori算法中有3个重要的指标，分别为支持度、置信度和提升度。支持度，指关联数据在数据集中出现的次数占总数据集的比重，或几个数据关联出现的概率。置信度，表示一个数据出现后，另一个数据出现的概率，也称数据的条件概率。提升度，表示含有因素1的条件时含有因素2的概率与因素2总体发生的概率之比，可以理解为因素1出现时，对因素2出现概率提升的程度。

本文经过反复迭代，设置最小支持度为2%，最小置信度为46%，最终得到因素间的关联规则。表5展示了部分关联规则。

图4 Apriori 算法步骤

表5 关联规则

结果讨论

（一）结果分析

从相关风险因素集合（见表4）中可以看出，在事故案例文本中，有几项因素虽然不是关键风险因素，但在各类相关风险因素集合中出现多次，如老化、安全生产意识缺失、未采取安全保护措施、审批程序不完善、员工未培训等，从风险因素的中心性（见表3）中也可以看出，这几项因素的度中心性很高，说明有多项风险因素都与它们同时出现。因此，在实际安全生产应用中，应该加强对燃气管网老化问题的关注，有效避免因老化引起的管道腐蚀破裂、材料部件失效，降低管道泄漏事故发生的风险。同时也需要注重完善管理流程和审核机制，加强对员工的培训管理等，增强企业和员工的安全生产意识。

根据关联规则（见表5）可以得出不同风险因素间的关联关系，以3号关联规则为例，在出现管材老化失效的情况时，有77%的概率会同时存在腐蚀问题。根据表5中72条风险因素间关联规则可得到以下结论。

（1）城镇燃气管道事故的关联规则分析发现，风险因素中有3个重要因素，分别为第三方破坏、腐蚀以及误操作，与其相关的关联规则数量较多。具体而言，在所有的关联规则中，最主要的因素是第三方破坏，有45条相关规则。

（2）由关联规则可知，如果出现沟通失效、违章施工的情况，大概率也会出现第三方破坏风险。从这条规则可以看出，虽然第三方破坏属于外部因素，但沟通失效属于企业与第三方施工单位协同安全管理出现问题，通过加强沟通，能够提升对第三方工程的监管效率，提高安全管理水平能够有效降低第三方破坏燃气管道事件发生的频率和概率。

（3）72条关联规则中置信度为1的规则共14条，如表5中5号关联规则 frozenset（{‘安全生产意识缺失’，‘施工操作不当’}）→frozenset（{‘第三方破坏’}），其置信度为1，说明在发生燃气管道事故时，若存在“安全生产意识缺失”“施工操作不当”现象，一定会同时出现“第三方破坏”。

（二）结果对比

与传统燃气管道风险因素识别方法（ 数理统计、专家经验、人为识别等）相比，本文在分析管道风险时，除了考虑各因素单独对事故造成的影响外，还着重分析了不同因素间的关系以及它们对管道事故的共同作用。从分析结果来看，本文采取文本挖掘方法基于历史失效数据进行分析，相较于传统方法更具客观性，不仅关注直接失效因素，还能够避免忽视深层次风险因素，这有助于在管道风险评估过程中更全面地关注安全管理的重点。从对实际应用的指导作用来看，研究中采用的关联规则分析方法，其分析结果可以直接用于指导风险管控措施的制定和实施，对于实际风险管理具有很强的实用性；传统方法的分析结果通常用于建立风险评价指标体系，并基于此对管道安全性进行评价。相比之下，本文结果不仅能用于评价管道风险，而且能够更直接地指导风险管控措施的执行，从而为风险管理提供更有力的支持。

综上所述，本文的研究方法为燃气管道风险因素识别和管理引入了新的视角，提供了更精确和客观的分析结果，强化了对实际风险管理的指导作用。这对于改进燃气管道安全性和降低潜在风险具有重要的学术和应用价值。

结论

（1）本文对810个燃气管道事故案例进行文本挖掘，根据词云结果来看，关键因素为第三方破坏、误操作、材料/ 设备/ 焊接失效、腐蚀，除此之外，由于自然破坏和未知原因导致的事故具有较大的危害性、突发性，也被列为主要影响因素之一。

（2）对文本进行共现分析，使用Gephi展示燃气管道风险因素共现网络，计算各个因素的中心性指标和因素间连接的权重，由此得出与关键风险因素相关的二级风险因素，为后续评价管道风险提供指标参考。

（3）运用关联分析中的Apriori算法对燃气管道风险因素之间的关系进行了分析，得到关联规则共72条，通过关联规则可以得出各类风险因素之间的共同作用关系。

本文将文本挖掘技术应用于燃气管道风险因素识别，基于我国城镇燃气管道事故文本信息进行燃气管道失效因素的识别以及因素间的关联分析，探究燃气管道事故中主要的风险因素及其相互间的关系，提高了识别燃气管道风险因素以及判断其重要程度的客观性，为后续建立风险评价模型和制定风险控制策略奠定了基础。由于我国尚未建立完善的燃气管道失效案例库，最终本文收集了810条事故文本参与挖掘，并将相关城镇燃气管道研究文献中的风险因素作为文本挖掘的词库，后续可以将研究文献、燃气企业检修记录等加入文本识别内容中，提高风险因素识别的科学性和全面性。

[1]鞠久如.加强燃气管道安全管理的几点建议[J].建筑安全，2015，30(1)：62-64.

[2]全国燃气事故分析报告(2022年·全年综述)[R/OL].[2023-02-23].http：//www.zninfo.gov.cn/upload/mian/infopublicity/publicinformation File/2023/03/24/202303241154504386.pdf.

[3]胡瑾秋，侯亦纯，董绍华，等.基于STAMP的社区燃气管道事故应急疏散过程中安全隐患识别方法[J].安全与环境工程，2023，30(2)：10-20.

[4]郑洪龙，黄维和.油气管道及储运设施安全保障技术发展现状及展望[J].油气储运，2017，36(1)：1-7.

[5]董宏理.建立燃气安全检查标准实行科学监管[J].煤气与热力，2009，29(6)：B33-B35.

[6]杨茂华，黄小美，张毅.基于安全检查表的燃气企业安全评估系统研发[J].煤气与热力，2012，32(10)：75-78.

[7]曾小康，冯阳，赖文庆，等.基于AHP-熵权法的城市燃气管道风险评价[J].中国安全生产科学技术，2021，17(5)：130-135.

[8]Belvederesi C，Dann M R.Statistical Analysis of Failure Consequences for Oil and Gas Pipelines[J].International Journal of Safety and Security Engineering，2017，7(2)：103-112.

[9]杨玉锋，张华兵，程万洲，等.城市燃气管道系统风险因素分析[J].煤气与热力，2014，34(10)：15-19.

[10]索玮岚，陈锐.考虑复杂关联情境的城市典型生命线运行风险因素识别方法研究[J].中国管理科学，2014，22(8)：130-140.

[11]杜雨霁，付明，李静，等.基于Logistic回归的燃气管网风险因素重要度分析方法研究[J].中国安全生产科学技术，2023，19(4)：114-120.

[12]Nenonen N.Analysing Factors Related to Slipping， Stumbling， and Falling Accidents Atwork：Application of Data Mining Methods to Finnish Occupational Accidents and Diseases Statistics Database[J].Applied Ergonomics，2013，44(2)：215-224.

[13]Poh C Q，Ubeynarayana C U，Goh Y M.Safety Leading Indicators for Construction Sites：A Machine Learning Approach[J].Automation in Construction，2018，93：375-386.

[14]Kovesdi C，Spielman Z，Leblanc K，et al.Application of Eye Tracking for Measurement and Evaluation in Human Factors Studies in Control Room Modernization[J].Nuclear Technology，2018，202(2-3)：220-229.

[15]谭章禄，陈晓，宋庆正，等.基于文本挖掘的煤矿安全隐患分析[J].安全与环境学报，2017，17(4)：1262-1266.

[16]陈聪聪，赵怡晴，姜琳婧，等.基于文本挖掘的尾矿库隐患因素关联分析[J].矿业研究与开发，2021，41(11)：26-33.

[17]Qiu Z，Liu Q，Li X，et al.Construction and Analysis of a Coal Mine Accident Causation Network based on Text Mining[J].Process Safety and Environmental Protection，2021，153：320-328.

[18]Xu N，Wang J P，Li J，et al.Analysis on Relationships of Safety Risk Factors in Metro Construction [J].Journal of Engineering Science and Technology Review，2016，9(5)：150-157.

[19]Kwayu K M，Kwigizile V，Lee K，et al.DiscoveringLatent Themes in Traffic Fatal Crash Narratives using Text Mining Analytics and Network Topology[J].Accident Analysis & Prevention，2021，150：105899.

[20]Kim J，Jun S.Analysis of Fire-accident Factors using Big-data Analysis Method for Construction Areas[J].Advanced Engineering Informatics，2015，29(4)：918-929.