1. 引言
根据《2023中国城市地下空间发展蓝皮书》统计[1]，截至2022年底，我国城市地下空间累计建筑面积已达到29.62亿平方米，表明地下空间的开发利用已成为城市建设的重要领域。然而，随着开发规模的不断扩大，地下工程面临的安全挑战也愈发严峻。尤其是在大规模地下工程中，基坑施工作为关键环节，其安全风险问题尤为突出。据不完全统计[2]，2012年至2022年，全国建设工程生产安全事故中涉及基坑工程的事故数量累计超过1000起，死亡人数累计超过1500人。这些事故不仅造成了巨大的人员伤亡，还带来了无法估量的经济损失和社会影响。
国内外学者在基坑风险评估领域进行了广泛的研究和探讨。黄建华等[3]研究者采用贝叶斯网络方法，并结合隶属函数处理风险值，以量化评估基坑围护结构施工过程中的风险；吴波等[4]研究者通过构建专家系统和应用模糊集理论，建立了风险评估模型，并利用模糊贝叶斯(Fuzzy Bayesian Network，简称FBN)的演绎推理、敏感性分析和反绎推理技术，为施工过程中的安全风险因素提供了实时诊断和风险评估的支持；张宇航等[5]则结合动态监测数据与静态评价因素，采用动态评估方法对基坑风险进行了综合评估；张兵等[6]通过构建基坑事故致因网络模型，并运用复杂网络分析方法揭示了基坑施工安全事故的内在演化规律，同时利用文本挖掘技术构建了事故致因体系；Lin等[7]通过文献计量分析方法综述了挖掘系统的风险评估方法，利用机器学习和3S技术提高了挖掘过程中风险评估的准确性，这些技术集成到BIM (Building Information Modeling，简称BIM)平台中，以实现动态安全风险管理。
这些研究在致险因素分析和风险评估领域取得了显著进展，但在多因素系统关联的深入分析及事故链生成机制的系统性研究方面仍存在局限性。一方面，现有研究大多集中于特定场景或单一数据源，缺乏对事故致因与后果关系的系统性梳理及其对风险等级的影响；另一方面，风险等级划分的量化依据尚不充分，难以准确反映多维因素对事故链生成的影响。现有研究在事故风险评估中存在一定局限性。许多研究仅使用BTM进行事故链分析，但由于缺乏定量风险评估，导致风险控制措施的精准性不足。部分研究采用BN进行风险概率计算，能够量化事故发生的可能性，但往往忽略了事故的逻辑发展过程，无法清晰展现事故链条的演化路径，影响了对风险传播机制的全面理解。
针对上述问题，本研究基于基坑事故数据库，采用蝴蝶结模型(Bow-Tie Model, BTM)对基坑事故链条的生成机制进行系统解析，识别事故链中的关键节点和致因路径。BTM具有清晰的因果链条表达能力，能够直观呈现事故发生的逻辑关系，但主要依赖专家判断，难以进行定量分析。因此，本文进一步引入贝叶斯网络(Bayesian Network, BN)，利用其概率推理能力，实现事故链生成概率的动态推断及量化评估，从而提高风险预测的科学性。研究构建基于事故链的量化分析框架，从理论上揭示基坑事故链生成规律及多因素影响机理，为机理与量化分析提供科学依据。
2. 事故统计及特征分析
依据中华人民共和国住房和城乡建设部官方所发布的数据可知[8]，2012年至2022年共发生工程建设安全事故5728起，死亡人数8023人，经济损失高达3000亿。如图1所示，近十年，工程建设生产安全事故数量总体呈现波动上升的趋势。具体来看，2012年事故数量为487起，占十年总数的8.5%；2013至2015年期间，事故数量基本维持在450~500的区间。2016年事故数量达到634起的阶段性峰值，随后2017年略有下降，但2018年再次上升至742起，2019年达到十年最高峰773起。2020年事故数量有所回落，约为500起，2021年回升至724起，2022年维持在约550起。重大事故数量相对稳定，每年约为20~30起，占事故总数的4%~6%。尽管比例不高，但其对人员伤亡和经济损失的影响显著。事故伤亡人数与事故发生频率密切相关，2019年事故总数达到773起，人员伤亡超过900人。统计分析表明，施工安全风险呈波动上升趋势，表明现有安全管理措施仍需进一步优化。
Figure 1. 2012~2022 project safety production accident statistics chart
图1. 2012~2022年工程建设安全生产事故统计图
在2012至2022年的十年间，共发生基坑事故694起，占所有工程建设事故的12.07%，发生数量整体呈上升趋势。2012年基坑事故发生42起，占当年工程建设安全事故的约8.6%；随后几年，基坑事故数量逐步增加，2014年与2017年是基坑事故次数较多的两年，其中2014年在当年事故总数中的比例为13.6%，为十年中的最高比例，2017年达到近十年以来的峰值81起，占当年事故总数的11.71%，较2012年增长了92.9%。2022年基坑事故数量为55起，占当年事故总数的10.18%，比2012年增加了30.95%。在基坑事故中，重大事故的数量变化尤为值得关注。数据显示，2012年基坑重大事故为2起，2013年和2014年分别增加至3起，2015年和2016年显著上升至8起。2017年基坑重大事故减少至5起，但在2018年再次达到10起的峰值，占当年基坑事故总数的18.52%。此后，2019年基坑重大事故为9起，2020年和2021年分别降至3起和4起，2022年则回落至2起，与2012年的水平持平。基坑事故在工程建设事故中的比例逐步上升，成为事故风险的重要来源。而重大基坑事故在近十年中呈现显著波动，占比虽小但影响极大。数据显示，2012年发生2起基坑重大事故，2015年和2016年攀升至8起，2018年达到峰值10起，占基坑事故总数的12.5%。尽管2020年降至3起，但近年来的多起事故仍造成了严重人员伤亡和巨额经济损失，其中，2019年的基坑事故造成经济损失和伤亡人数均位于全行业前列，表明基坑重大事故已成为施工安全领域中的重要风险点(图2)。
Figure 2. Statistics of the number of foundation pit accidents from 2012 to 2022
图2. 2012至2022基坑事故数量统计图
基坑事故的特点不仅在于高损失，还在于事故诱发条件的复杂性，如施工环境、支护结构失效和监测管理不足等。基坑重大事故的频发性及其严重后果表明，现有的风险评估方法和管理手段在应对复杂工况时存在不足。针对重大基坑事故的研究应聚焦于事故链生成与关键因素的分析，以为后续的科学决策和风险控制提供可靠依据。
依据国家应急管理部、住房和城乡建设部、各省市应急管理局以及安全生产监督管理局等发布的已公开基坑事故报告，收集并整理了2012~2022年国内发生的251起基坑事故案例作为研究对象。为便于后续分析，对采集的基坑事故进行分类，以研究其主要特征和致险因素，如图3所示，具体包括以下几类：坍塌事故、高处坠落事故、物体打击事故、机械伤害事故、起重伤害事故、触电事故、中毒窒息事故、车辆伤害事故、爆炸事故、火灾事故、淹溺事故及其他。如图3所示，坍塌事故是基坑事故中最常见的类型，共131例，占总数的52.19%，其他类型的事故按数量排序为：高处坠落、物体打击、机械伤害、起重伤害、触电、中毒窒息、车辆伤害、爆炸、火灾、淹溺及其他。
Figure 3. Statistics of accident types
图3. 事故类型统计图
3. 致险因素分析
3.1. 致险因素类型分析
在总结事故类型的基础上进一步对事故原因进行分析，在基于“人–机–环境–管理”(MMEM)理论[9]的分类框架中，对基坑事故致险因素进行归纳，如图4所示。这种理论框架具有系统性和适用性强的特点，它源于安全系统理论，将事故原因划分为人为因素、设备(机械)因素、环境因素和管理因素四大类，能够全面覆盖基坑施工中可能导致事故的潜在触发条件。其逻辑性体现在对事故诱因的系统化归纳，通过清晰的分类便于进一步细化具体因素。
在已经分类的四大因素的基础上，本研究通过对收集的251起基坑事故实例及工程实例的深入分析，系统提取并归纳了各类事故的具体致险因素。研究根据“人为因素”“机械因素”“环境因素”和“管理因素”四个类别的分类标准，更系统地分析事故诱发条件的分布规律。
人为因素主要包括安全意识淡薄、操作不安全性、现场指挥失误及个人问题；机械因素涵盖设备故障、设备超载及材料质量问题等致因；环境因素则涉及车辆过往影响、天气原因、地下水、工程扰动、土质问题、有害气体、施工现场环境条件不佳等外部环境变化的影响；管理因素集中在施工审批缺失、技术管理不当、安全培训不到位、违规堆载、安全管理不到位、安全防护不足、监理履职不力、施工方案/设计问题及监测不到位等领域[10]。
Figure 4. Man-Machine-Enviroment-Management (MMEM) classification framework
图4. “人–机–环–管”(MMEM)分类框架
统计分析结果如图5显示，基坑事故中最主要的致险因素是人为因素中的操作不安全性，其次是管理因素中的技术管理不到位、安全管理不到位和安全防护不足，以及人为因素中的安全意识淡薄。从四大因素的整体占比来看，管理因素的影响最大，占46.23%；其次是人为因素，占30.30%；环境因素和机械因素分别占19.09%和4.38%。这一统计结果不仅进一步验证了管理因素在人机环管四大因素中的核心作用，也揭示了其他因素对基坑施工风险的影响模式，为制定针对性的安全管理措施提供了参考依据。
Figure 5. Statistical map of accident risk factors
图5. 事故致险因素统计图
四类致险因素中的因素占比如图6所示。在人因因素中，操作不安全性占比最高，为49.1%，其次是安全意识薄弱(35.5%)和现场指挥失误(15.5%)，表明操作人员的不当行为和安全意识的缺失是风险的主要来源。在机械与设备因素中，设备故障占据绝对主导地位(76%)，远高于设备老化(20%)和材料质量问题(4%)，说明设备维护的重要性不容忽视。在环境因素方面，恶劣天气(46.8%)和施工现场环境条件较差(23.9%)构成了主要风险来源，同时车辆过往干扰(14.7%)和地下水异常(5.5%)等也对施工安全产生一定影响，显示出外部自然条件和现场环境管理的必要性。在管理因素中，安全管理不到位占比最高(35.3%)，其次是安全防护不足(21.1%)、安全培训不到位(15.6%)和现场监督不到位(5.8%)，反映了管理工作的薄弱环节对施工安全的重大影响。综合来看，机械设备故障和恶劣天气是事故发生的主要直接因素，而操作不安全性和管理不到位是间接推动事故链生成的核心因素。因此，降低基坑施工风险需要从提升人员安全意识、加强设备维护、优化现场管理以及完善安全管理体系等多个方面入手。
Figure 6. The proportion of accident risk factors
图6. 事故致险因素占比图
3.2. 风险事故致因模型
蝴蝶结模型(Bow-Tie Model, BT)是一种结合事故树(Fault Tree Analysis, FTA)和事件树(Event Tree Analysis, ETA)的图形化分析方法，广泛应用于事故风险管理领域。其核心思想是通过故障树分析事故致因，并通过事件树分析事故后果，从而形成完整的事故演化路径[11]。本研究基于蝴蝶结模型，系统地分析了基坑事故的致因路径与后果分支。蝴蝶结模型能够清晰展示事故的发生机制，但其定量分析能力有限，难以精准评估事故发生概率。为弥补这一不足，本研究在后面将进一步结合贝叶斯网络(BN)进行事故链的定量推理，以更科学地量化风险水平。
链生机理研究旨在揭示基坑事故链条从潜在致险因素的累积、中心事件的触发到后果显现的动态生成过程。通过梳理事故链的生成路径与关键节点，可系统化分析事故的演化规律及致因后果关系。本研究采用蝴蝶结模型作为链生机理的图形化工具，对基坑事故的致险因素、中心事件和后果类型进行分层分级描述，构建完整的事故链逻辑结构。
在本研究中，蝴蝶结模型被用于描述基坑事故链生机理，系统揭示事故从致因到中心事件再到后果演化的全过程。通过蝴蝶结模型的构建，识别事故链中一级、二级致险因素的关联路径，以及中心事件引发的后果类型和损失等级，形成事故链生成的逻辑闭环。
模型的核心由四部分组成：致险因素、中心事件、事故后果类型和事故损失等级[12]。致险因素按照一级、二级分层结构涵盖人为、机械、环境和管理等方面，链生机理的动态特性表现在各致险因素之间的关联路径上，即某些因素的累积作用可能通过逻辑门逐步传递，并最终触发中心事件。后果类型的演化路径由中心事件的触发强度和后续管理措施共同决定。
通过构建蝴蝶结模型，本研究揭示了基坑事故链生成过程中的关键路径和重要节点，明确了致险因素的作用模式及其在事故链条中的层级贡献。模型不仅直观呈现了事故链的逻辑结构，还为基坑事故链的动态分析与风险评估提供了理论支撑。同时，致险因素的权重分布和后果等级划分的量化标准，为进一步优化风险分级和分级响应机制奠定了基础[13]。
根据统计的事故库中事故情况，识别潜在风险因素，使用事故库统计作为初始权重，采用蝴蝶结模型，将基坑事故作为中心事件，前因部分由事故致因第一层级和第二层级组成，通过逻辑门连接，指向中心事件；右侧结构通过事件树分析了基坑事故可能导致的后果，并进行了分级描述。具体包括直接后果和后果分级，直接后果为基坑事故类型，后果分级则为结合经济损失和人员伤亡两个关键指标划分的6个等级。具体因素及编码如表1所示。
Table 1. Antecedent partial factor number
表1. 前因部分因素编号
目标层 |
第一层级因素 |
编号 |
第二层级因素 |
编号 |
基坑安全事故 |
人为因素 |
H |
安全意识淡薄 |
H01 |
操作不安全性 |
H02 |
现场指挥失误 |
H03 |
机械因素 |
ME |
设备故障 |
ME01 |
设备超载 |
ME02 |
材料质量问题 |
ME03 |
环境因素 |
E |
车辆过往影响 |
E01 |
恶劣天气 |
E02 |
地下水异常 |
E03 |
工程扰动 |
E04 |
不良地质 |
E05 |
施工现场环境条件不佳 |
E06 |
管理因素 |
M |
安全管理不到位 |
M01 |
安全防护不足 |
M02 |
安全培训不到位 |
M03 |
监理履职不力 |
M04 |
技术管理不到位 |
M05 |
监测不到位 |
M06 |
施工审批缺失 |
M07 |
违规堆载 |
M08 |
施工方案/设计问题 |
M09 |
本研究基于事故后果中的经济损失和人员伤亡两个关键指标，进一步对基坑事故的后果进行分级。具体分为六个等级：安全、经济损失小，无人员伤亡、经济损失大，无人员伤亡、经济损失大，少量人员伤亡、经济损失大，人员伤亡严重和经济损失巨大，人员伤亡严重。这一分级方法参考了《生产安全事故报告和调查处理条例》(国务院令第493号) [14]的事故等级划分标准，并结合链生机理的演化逻辑进行了调整。具体而言，基坑事故链条的后果等级受到前期致险因素的累积程度和中心事件触发强度的共同影响。其中，“经济损失小”定义为直接经济损失低于100万元，“经济损失大”为100万元至1000万元，“经济损失巨大”则超过1000万元。通过该分级标准，不仅能够细化事故后果的严重性评估，还为蝴蝶结模型中事故后果部分的具体应用提供了定量化依据。人员伤亡的划分参考了重大工程项目中常用的人员伤亡分级标准，如表2所示。例如，少量人员伤亡定义为死亡或重伤人数为1至3人，人员伤亡严重为4至10人，超过10人则归类为“人员伤亡极其严重”。这一划分方法能够充分体现基坑事故对人身安全的影响程度，同时与经济损失分级形成完整的后果评价体系。
Table 2. Classification of consequences of foundation pit accidents
表2. 基坑事故后果等级划分
等级 |
经济损失 |
人员伤亡 |
安全 |
无经济损失 |
无伤亡 |
经济损失小，无人员伤亡 |
<100万元 |
0人 |
经济损失大，无人员伤亡 |
100万元~1000万元 |
0人 |
经济损失大，少量人员伤亡 |
100万元~1000万元 |
1~3人 |
经济损失大，人员伤亡严重 |
100万元~1000万元 |
4~10人 |
经济损失巨大，人员伤亡严重 |
≥1000万元 |
>10人 |
为了直观展现基坑事故的致因到后果的完整逻辑链条，构建了如图所示的蝴蝶结模型，该模型以“基坑事故”为中心，将故障树与事件树有机结合，具体结构如图7所示。
通过构建蝴蝶结模型，系统梳理了基坑事故链的生成过程，包括致因路径、中心事件及后果分支三大部分。致因路径部分涵盖了管理、设备、环境及人员等多种致险因素，其中技术管理不到位、操作不安全性和恶劣天气被识别为关键节点。中心事件作为事故链的核心，连接了致因路径与后果分支，表现出多因素耦合的特性。研究表明，技术管理不到位对中心事件的触发起到重要作用，而恶劣天气则在后果分支的扩展中具有显著影响。该模型清晰揭示了事故链从初始致因累积到事故后果显现的动态演化规律，为后续的量化分析提供了逻辑框架和理论基础。
3.3. 风险等级评价
在深基坑施工风险评估中，事故链的生成过程及其影响范围不仅与致险因素的动态演化相关，还与事故后果的严重程度密切相关。因此，风险评估需要结合致险因素的发生概率和事故后果的分级进行全面分析。基于贝叶斯网络的推断结果，事故发生的概率可以被动态量化，而事故后果的分级则通过经济损失、人员伤亡等指标划分，从而形成基于概率与后果双维度的风险评价体系。
在《地铁及地下工程建设风险管理指南》[15] [16]关于风险等级标准的分类中，将风险发生概率及风险损失等级均分为5个等级，如表3、表4所示。
进一步结合可接受准则，区分“可接受风险”“可容忍风险”和“不可接受风险”，将事故发生概率与损失等级的组合细化为五个具体的风险等级(I级至V级)，如表5。这一矩阵通过结合贝叶斯网络的推断
Figure 7. Bow-tie model for foundation pit accident
图7. 基坑事故蝴蝶结模型
Table 3. Risk probability chart
表3. 风险概率等级表
等级 |
A |
B |
C |
D |
E |
事故描述 |
不可能 |
很少发生 |
偶尔发生 |
可能发生 |
频繁发生 |
区间概率 |
P < 0.01% |
0.01% ≤ P < 0.1% |
0.1% ≤ P < 1% |
1% ≤ P < 10% |
P > 10% |
Table 4. Engineering risk loss grade standard
表4. 工程风险损失等级标准
等级 |
1 |
2 |
3 |
4 |
5 |
描述 |
可忽略的 |
需考虑的 |
严重的 |
非常严重的 |
灾难性的 |
结果，动态反映了风险水平的分布，细化了各等级的管理策略。
扩展后的风险评价矩阵将事故发生概率与风险损失等级相结合，细化为五个具体的风险等级(I级至V级)，并明确了各等级对应的风险响应策略。这种分级方法不仅能够量化不同风险水平的差异，还为施工管理提供了具体的决策指导。
1) 可接受风险(I级) (P < 0.01%，损失等级1~2)
此类风险发生概率极低，损失影响轻微，可认为在当前管理水平下无需额外干预，仅需维持日常监
Table 5. Risk standard chart
表5. 风险等级表
发生概率 风险 |
风险损失 |
1) 可忽略 |
2) 需考虑 |
3) 严重 |
4) 非常严重 |
5) 灾难性 |
A: P < 0.01% |
可接受 |
I级 |
I级 |
II级 |
II级 |
III级 |
B: 0.01%~0.1% |
可接受或可容忍 |
I级 |
II级 |
II级 |
III级 |
III级 |
C: 0.1%~1% |
可容忍 |
II级 |
II级 |
III级 |
IV级 |
IV级 |
D: 1%~10% |
可容忍或不可接受 |
II级 |
III级 |
IV级 |
IV级 |
V级 |
E: P > 10% |
不可接受 |
III级 |
IV级 |
IV级 |
V级 |
V级 |
测和施工管理，以优化作业流程，降低潜在隐患。主要措施包括定期巡查、施工工艺优化及标准化操作，确保施工过程的可控性。
2) 可接受或可容忍风险(I级~II级) (0.01% ≤ P < 0.1%，损失等级1~3)
此类风险具有较低的事故发生概率或较轻的损失影响，仍可接受，但在特定条件下可能存在累积效应，需适当加强监测和预警。管理策略包括适度增加监测频率、加强施工人员培训、优化风险控制措施，以降低事故链条可能的发展趋势。
3) 可容忍风险(II级~III级) (0.1% ≤ P < 1%，损失等级2~4)
此类风险表明事故发生的可能性或后果已达到可容忍范围的上限，需要采取一定的干预措施以降低风险水平。应对措施包括增加实时监测点、调整施工工序、优化支护体系，并建立早期预警机制，确保风险可控并及时响应。
4) 可容忍或不可接受风险(III级~IV级) (1% ≤ P < 10%，损失等级3~5)
此类风险处于临界状态，需视具体情况采取更为严格的管控措施，若无法有效降低风险，则需重新评估施工方案。应采取加强结构加固、提高监测频率、预设应急预案等措施，并在关键工序实施前进行风险复核。对于高敏感区域，可考虑采用更严格的安全标准，以降低事故发生的可能性。
5) 不可接受风险(IV级~V级) (P ≥ 10%，损失等级4~5)
此类风险表示事故发生概率高、损失严重，超出可容忍范围，必须立即采取果断措施以避免灾难性后果。应对措施包括暂停施工、全面调整施工方案、加固支护结构，并启动紧急应对机制。对于不可接受风险，若无法在短期内降低风险至可容忍水平，应考虑工程变更或替代方案。
3.4. 风险评价分析
贝叶斯网络(Bayesian Network, BN) [17]是一种基于概率论的图模型，通过有向无环图(Directed Acyclic Graph, DAG)表示随机变量之间的条件依赖关系，并使用联合概率分布对不确定性进行量化分析。在工程领域，贝叶斯网络被广泛应用于复杂系统的因果关系建模、风险评估及动态推断，能够有效应对多因素耦合和动态变化场景。
贝叶斯网络的理论基础是条件概率和联合概率分布，其主要依托于贝叶斯公式及概率推断原理：
其中P(A∣B)表示在已知事件B发生的情况下，事件A发生的后验概率P(B∣A)表示在事件A发生的情况下，事件B发生的条件概率；P(A)是事件A的先验概率；P(B)是事件B的边缘概率。
贝叶斯网络的核心公式为联合概率分布的链式分解公式：
其中，
表示给定节点Xi的父节点集合Parents(Xi)条件下，Xi的条件概率分布。这一公式为复杂系统中多变量间的依赖关系量化提供了理论支撑。
由于BTM存在一定的局限性，缺乏定量分析能力，主要依靠逻辑推理描述事故链条，无法准确计算事故发生的概率。在实际应用中，BTM难以提供精确的风险数值评估，需要结合其他量化方法(如贝叶斯网络)来弥补这一不足。模型对动态环境的适应性较差，基于静态事故链进行分析，难以实时更新风险评估结果，无法反映施工过程中环境和管理措施的变化。BTM高度依赖专家知识，在模型构建过程中，事故致因及事故链条的定义主要基于专家的主观判断，这可能会引入人为偏差，影响模型的准确性和客观性。在实际应用中，需要结合数据驱动的分析方法，以提高BTM评估结果的科学性和可靠性。
本研究结合BTM的逻辑分析能力和BN的概率推理能力，构建更精准的事故链分析框架，以弥补单一方法的不足，二者具体比较及结合优势如表6所示。
Table 6. Combination of BTM and BN advantages
表6. BTM和BN的结合优势
比较维度 |
BTM (蝴蝶结模型) |
BN (贝叶斯网络) |
结合优势 |
建模方式 |
逻辑推理，定性分析 |
统计推理，定量分析 |
既能分析事故逻辑，又能计算事故概率 |
数据需求 |
主要依赖专家知识 |
依赖大量数据 |
结合数据与专家知识，提高分析可靠性 |
风险评估 |
直观展示事故路径 |
量化事故发生概率 |
既能识别关键节点，又能动态推理风险 |
动态性 |
静态模型 |
可动态更新 |
可随新数据调整事故预测 |
适用场景 |
适用于初步分析 |
适用于精准预测 |
适用于从事故链分析到定量评估的全过程 |
本研究基于蝴蝶结模型的逻辑结构，构建了贝叶斯网络模型，用于量化基坑事故链中致险因素与事故后果之间的关联关系，如图8。利用历史事故数据库提取致险因素的逻辑关系，构建模型的节点和边，将BT模型中的一级、二级致险因素映射为贝叶斯网络的父节点，将中心事件作为网络的中间节点[18]。将后果分支定义为输出节点；其次，根据已建立的风险预警等级，将风险级别与事故概率相关联，定义节点的条件概率表(Conditional Probability Table, CPT)。
贝叶斯网络的输入为致险因素的状态(YES/NO)，网络根据输入条件推断中心事件及后果的发生概率，完成对事故链的动态评估。例如，在特定致险因素组合条件下，贝叶斯网络可以推断中心事件“支护失效”的发生概率，并进一步量化不同后果分支的可能性。此外，贝叶斯网络支持对事故链中关键节点的敏感性分析，能够量化各致险因素对中心事件及后果分支的影响程度，识别高敏感节点及关键路径，为优化风险管理策略提供数据支持[19] [20]。
模型的具体构建在GeNIe中完成，如图9。
通过基于贝叶斯网络的深基坑事故风险量化模型计算，结合事故库统计数据，得出总体风险概率为96%。这一结果反映了在多案例统计基础上，深基坑施工中出现重大风险的总体趋势，而非针对单一案例的评价。进一步结合风险分级标准，将这一概率归类为V级不可接受风险，说明在深基坑施工领域，事故风险水平普遍较高，需重点关注管理、机械和环境等因素的综合控制作用。模型中的风险因素按照环境、人为、管理、机械四大模块划分，各模块间通过多路径联动对事故核心节点(事故发生A)形成累积影响。其中，管理因素的整体风险概率高达59%，在所有模块中占据主导地位，而环境因素和人为因素的
Figure 8. Bayesian network diagram of foundation pit accident
图8. 基坑事故贝叶斯网络图
风险概率分别为36%和55%，同样对事故发生有显著贡献；设备因素的风险相对较低，风险概率为8%。
在进行敏感性分析时，通过将中心事件节点A(事故发生)设置为目标事件(Target)，并对设备因素中的ME03(设备故障)设置为“YES”的情景假设，发现设备因素对中心事件的“YES”概率影响最大，可引起中心事件的风险概率增加至17%。环境因素中的E02 (恶劣天气)和E05 (不良地质)对事故风险的敏感性同样显著，这是由于恶劣天气不仅直接影响施工安全，还可能通过引发设备故障或操作失误，放大其他模块的风险。此外，人为因素中的H02 (操作不安全性)和管理因素中的M05 (技术管理不到位)对事故风险也有重要贡献，其中“操作不安全性”通过直接行为风险提高事故发生概率，而“技术管理不到位”则通过间接影响设备维护和环境应对能力，增加事故的发生概率。这一分析表明，机械因素与环境因素对事故风险的总体影响较大，尤其是设备故障和恶劣天气在本模型中具有较高的敏感性和关键性。这些关键节点的影响通过模块内外的耦合关系，最终导致事故发生的整体风险显著升高。
为降低事故发生的整体风险，模型的反向推理结果提供了明确的关键控制路径。若将事故发生的概率从96%降至20%，需优先改善环境和设备模块中的核心风险节点。其中，需要将环境因素中的E02 (恶劣天气)风险概率从11%降低至5%，并将设备模块中的ME03 (材料质量问题)风险概率从23%降低至10%；此外，人员因素中的H02 (操作不安全性)也需从22%降低至8%。相比之下，管理因素中的M05 (技术管理不到位)虽然风险概率为39%，但在本次分析中对整体事故概率的影响相对次要。
Figure 9. Bayesian network GeNIe diagram of foundation pit accident
图9. 基坑事故贝叶斯网络GeNIe图
基于上述分析结果，为有效降低事故风险，需优先对设备模块中的材料质量问题(ME03)和环境模块中的E02 (恶劣天气)及E05 (不良地质)进行针对性风险控制。同时，通过完善管理机制，优化M05 (技术管理)，并提升人员的H02 (操作安全性)，也能进一步降低整体事故概率，为深基坑施工领域的风险防控提供科学依据。
总的来说，该贝叶斯网络模型从系统化视角出发，整合了多源数据并量化了各风险因素间的相互作用，不仅能够有效评估深基坑施工中的风险水平，还能为制定针对性的风险控制策略提供科学依据。通过对模型结果的分析，可以有的放矢地加强风险管理和资源优化配置，从而显著提升深基坑施工的安全性。
4. 结论
深基坑施工的安全风险因其复杂性和动态性而备受关注，但现有研究在事故链生成规律的系统解析与风险分级的量化评估方面仍存在不足。为解决上述问题，本文基于事故库数据，结合蝴蝶结模型和贝叶斯网络，构建了深基坑事故的链生机理分析框架与风险评判方法，为事故预警和风险分级提供了理论支撑。研究的主要结论如下：
1) 通过蝴蝶结模型梳理基坑事故链条，明确了事故从致险因素累积到中心事件触发，再到后果显现的动态演化路径。研究发现，技术管理不到位、操作不安全性和恶劣天气是事故链中的关键节点，其中技术管理不到位对中心事件的触发具有重要影响，而恶劣天气在后果扩展过程中起到显著作用。
2) 基于贝叶斯网络推断结果，构建了事故发生概率与后果损失等级相结合的双维度风险评价体系。研究表明，高概率(P > 10%)且高损失的情境被划分为不可接受风险(V级)，需立即采取果断措施，而中低风险则可通过优化管理措施进行控制。该方法系统量化了不同致因因素对事故风险的影响，并为分级响应提供了科学依据。
3) 敏感性分析结果表明，设备故障(ME03)、恶劣天气(E02)、技术管理不到位(M05)和操作不安全性(H02)对事故发生概率的影响较大，设备和环境因素尤为敏感。建议优先加强设备维护，优化环境风险应对措施，提升技术管理能力和人员操作水平，以构建多层次协同防控体系，降低基坑事故发生的可能性。
NOTES
*通讯作者。