课程目录 · 全部课程 · 原始 PDF

安全管理与事故调查分析：第 161–170 页

安全管理与事故调查分析 课堂笔记
决策失误的案例：疫情管控
• 2019-2020 年武汉疫情初期，感染确实有生命危险
• 坚持三年管控，没有太多人丧生；经过病毒迭代，情况大为改观
• 放开时已是” 到了极限” 才决定，海珠区即便尽全力也无法控制疫情
• 当时表面做了全民筛查，实际未真正检测，直接宣布为低风险
• 关于” 早点放开是否可行” 的决策，现在仍难以判断
• 再次面临类似危机时如何决策，尚缺乏经验，可能需要三到五年积累
注意
有限理性决策颇具挑战， 我们只能被动接受现状。 但” 现在所能得到的， 便是最
好的”——坚持三年没有太多人丧生，已是当时条件下的最优结果。
决策的个体差异
• 影响深远的决策，何为” 满意”、何为” 合适” 存在显著个体差异，不可相互比较
• 人的想法千差万别，满意是主观的
• 应有备选方案，选好方案后全力以赴
• 现实生活中的满意方案往往不是最优方案，但与未来决策相关
例
去西藏海拔 3000-4000 米的县城考公务员， 容易通过且工资可观； 新疆同学回家
乡考公离家近、交通便利；本人倾向在家乡附近动车通勤。这些都是基于个人
偏好的” 满意” 选择，而非最优选择。
决策支持系统（DSS）
Study Notes 161 / 269 先看条件，再套公式

安全管理与事故调查分析 课堂笔记
• DSS 指 Decision Support System （决策支持系统） ，不是DeepSeek
• 安全生产决策（如关停企业、提高标准）需要数据支持，不能凭空想象
• 没有数据量化，决策就变得困难，需要计算机决策支持系统
• 最终做决策的是人，不是机器
定义
决策支持系统（DSS） ：利用数据、模型和方法库，为决策者提供量化依据，辅
助解决决策问题的计算机系统。
注意
机器不能代替人做决策。 若由人工智能依据法律条文直接判决 （如判刑、 死刑） ，
一旦出错后果不堪设想。医疗系统中医生决策同样依赖检查数据，但最终判断
仍需人参与。
结构化问题与非结构化问题
• 结构化问题：可量化为特定指标，用 Excel 即可解决
• 非结构化问题：难以量化，情况复杂，需要转化为结构化形式处理
例
奖学金评选：将活动加分量化（如某活动 10 分、5 分、0.5 分、0.25 分） ，提前
公布评分标准，争议就小。这就是把问题结构化。但绝对的公平不存在，量化
过程中难免有争议。
例
过桥问题、最短路径问题（邮递员最短时间投递多个地点）是典型的数学规划
问题，已结构化，可解。
Study Notes 162 / 269 先看条件，再套公式

安全管理与事故调查分析 课堂笔记
概率与二叉树模型
• 概率问题涉及两种可能结果（成功/失败，0/1） ，构建二叉树
• 每次分支概率为 50%，但实际概率可能不同（60%、80%） ，需要多次乘法计算
• 这种计算方式类似处理非结构化问题，但用 Excel 或计算器即可得出结果
• 火灾发生与否这类简化模型不完全合理，但这是目前能采用的唯一方法
注意
用” 火灾发生与否 ” 这类生活例子讲解概率可能引起误导 ——实际上一盏灯点
亮可能引发连锁反应，并非简单的两种情况。
围棋算法与结构化转化
• 围棋棋盘 19×19，变化量是天文数字，曾被认为计算机无法战胜人类
• 现在计算机已能解决围棋问题，人肯定下不过计算机
• 围棋规则是确定性的（只能走特定位置） ，这是其可结构化的基础
• 计算机利用计算速度快、存储量大、算法优化，将非结构化问题转化为结构化
问题
• 算法基于概率论：走到某一步，计算机迅速推演下一步，再推演多步
例
象棋、国际象棋变化较少，计算机早已表现强大；围棋因变化量巨大曾被认为
不可战胜，但如今柯洁等人类棋手已无法与计算机抗衡，围棋运动因此不再流
行。
非线性问题转化为线性问题
• 将非线性问题转化为线性问题是最理想的情况，也是最常用的思路
• 非结构化问题的解决，需要将其转化为结构化形式
• 这涉及权重的概念：如奖学金评选中，成绩只是部分考量，担任班干部获得加
分体现权重分配
• 班干部工作涉及许多无形工作（收集信息、加入群组等） ，量化困难，需寻找方
法转化为可量化形式
人工智能与决策支持
• 当前人工智能最擅长、最有价值的任务是信息收集，可信度相对较高
Study Notes 163 / 269 先看条件，再套公式

安全管理与事故调查分析 课堂笔记
• 大模型收集数据信息多，加上算法，能快速给出方案（如旅游攻略、最优路径）
• 决策支持系统现在提得已不太多，人工智能开始取代或与之产生关联
例
旅游攻略、最优路径查询等常规任务，大模型能快速给出方案，节省时间。
大数据与决策
• 数据仓库数据量增大，冗余度高，称为大数据（bigdata）
• 并非所有大数据都有价值，或适用大数据分析方法
• 高考报志愿是典型大数据应用场景，但” 大年小年” 现象不能完全通过大数据解
决
例
高考报志愿：某年报考人数减少，大家担心分数线过高而避免报考，导致录取
分数下降；第二年看到分数线不高又纷纷报考。这种波动反映大数据预测的局
限性，具体决策仍需结合其他因素。
注意
高考报志愿看似选择众多，实际可选范围非常有限；华工转专业时可选专业也
极为有限。这些决策基于有限理性，但所依据的数据可能不足以支撑选择。
决策支持系统的组成与开源
Study Notes 164 / 269 先看条件，再套公式

安全管理与事故调查分析 课堂笔记
• 决策支持系统利用人工智能，涉及人机交互模型方法、知识库
• 原本 OpenAI 不开放或未开源，现在 DeepSeek 已开源
• 开源后中国做大模型，逼迫美国降低人工智能收费，中国可免费使用
• 核心方法：将大量标签参数指标化和量化，基于量化指标得出结论
• 将关键有用的数据标记出来，进行精炼和蒸馏，去除无用数据，提取有用信息
定义
决策支持系统的基础组件：数据库、方法库、模型库和接口；人际对话是高级
应用（将在下一学期课程中讲解） 。
目标明确的重要性
• 明确的目标是成功的关键
• 如同常问的：上大学的目的是什么？
学习目标与证书获取
• 核心目标：获取两张证书（毕业证、学位证） ，并非所有人都能获得
• 每年每个学院都有几十到上百人无法拿到证书，原因各异
• 学分不足的处理：
– 差距过大 → 留级
– 只差一两门课程、几个学分 → 必须离校，无法获得证书
• 离校后流程：七月办理离校手续 → 与教务老师沟通 → 系统报名班级注册（类
似医院挂号）→ 跟随班级学习或与老师沟通
• 特殊情况：已修完所有课程、只待最后一门高分通过，经良好沟通后可在七月
毕业，十二月或一月参加考试，次年六月获得毕业证书
• 每年都有人因缺课过多被勒令退学，无法在规定时间内毕业
• 其他目标：找到一份好工作（具备完整知识体系与竞争力） 、解决问题、结交新
朋友
自学能力的重要性
• 学校所学知识只能支撑有限的未来，毕业后需自主探索和学习
• 毕业后需要知道如何学习、哪些书籍和知识领域值得深入研究
• 考试前的复习过程是一种磨炼，目的在于培养自学能力
• 与高考不同：高考强调反复刷题维持最佳状态，大学更注重培养自学能力
• 教师引导学生学习课件，但最终依靠学生自己课后复习，从而学会独立学习
Study Notes 165 / 269 先看条件，再套公式

安全管理与事故调查分析 课堂笔记
安全驾驶的量化分析
• 安全驾驶涉及一系列检查步骤：检查车辆是否被破坏或放置爆炸物、系安全带、
调座椅、调后视镜等
• 不系安全带开车（如用卡扣固定）时，发生事故的概率如何量化？
• 影响事故概率的因素：白天/夜间驾驶、视力、精神状态、车速等，多因素相互
关联
• 以酒后驾车为例：酒精浓度达标 ≠ 必然发生事故，只是概率问题
酒驾标准的设定逻辑
• 国家标准：喝一瓶啤酒后血液酒精浓度很可能已超标，两瓶啤酒足以影响驾驶
能力
• 体重较轻者体液较少，较少酒精即可达标；体重较重者需稍多酒精，但通常也
已达标
• 两瓶啤酒对大多数人来说是正常量，但存在个体差异（如有人喝一瓶就脸红）
• 公安机关采取强制性措施，设定极低的阈值，不分具体情况，达到阈值即认定
为酒驾或醉驾
注意
阈值法对大多数人适用，但存在特殊情况。个体差异巨大，政府采取简单粗暴
的阈值处理方式，这种方法对大多数情况合适，但并非完全合理。
人机工程中的概率计算
• 若各岗位操作出错的概率可计算，则总体出错概率 = 各岗位出错概率相乘
• 通过计算所有工人和现场员工出错概率并相乘，可评估系统安全性
• 非结构化处理本质上就是结构化处理，关键在于如何进行结构化
定量概率的定性方法：阈值法
• 最简单的定量方法：设定阈值，达到阈值即认为事件发生
• 优点：简化参数（如酒精浓度是否达标）
• 缺点：对大多数情况合适，但存在特殊情况，不完全合理
• 许多非结构化问题需要结构化处理，关键在于如何确定阈值
例
奖学金评定：经过多年实践检验，考试成绩占主要比重（约65%） ，每门课程比
重很小。通过折算得出综合分数，将非结构化问题（谁该获奖学金）转化为可
量化的决策。
Study Notes 166 / 269 先看条件，再套公式

安全管理与事故调查分析 课堂笔记
效用值与量化决策
• 效用值是经济学中的术语，虽然主观，但可以被量化并最终转化为概率
• 通过人工设定参数，计算机能快速处理并分析大量指标，结果更接近实际情况
• 这种做法虽不绝对精确，但比简单计算方法更好
• 安全系统工程中的二维系统：要么全有（值为 1） ，要么全无（值为0）
安全系统工程的目标
• 发现目标后采取行动消除它：消除事故、减少损失、查找隐患
• 这些属于软性或非结构方面的工作，难度大
• 必须进行定量评价，这正是系统工程的工作
• 系统工程通过定量分析和评价，将定性问题量化并赋予具体数值
• 数值设定是否合理、有意义、有无调整空间，都是复杂问题
• 当前做法是将安全生产决策系统复杂化，目标是尽量减少人员伤亡和财产损失
注意
何为” 少死人和少受损失”？只有量化这些目标才能真正实现。最多只能有一人
死亡，甚至为零；允许轻微伤害，但绝对不能有人员死亡。实现零伤亡非常困
难，轻微伤害不可避免。
Study Notes 167 / 269 先看条件，再套公式

安全管理与事故调查分析 课堂笔记
阑尾炎手术案例：风险量化与决策
• 学生因腹部不适检查出阑尾炎，需自费在华南理工大学医院手术
• 签字流程： 成年患者需自己承担费用， 班主任代签； 若为假 （未成年） 需家长签
字
• 手术过程：半小时内完成，切出的阑尾呈黑色
• 风险量化：阑尾炎是小手术，风险不大，愿意承担风险，签字后手术快速完成、
恢复快
• 对于复杂问题，根据个人经历进行量化评价，并以此作为决策依据
专业选择与就业竞争力
• 计算机专业是中国最广泛的专业之一，英语和计算机是中国两大最热门专业
• 英语专业已过剩，很多学校减少招生；仅学英语而无其他专业背景，竞争力较
弱
• 拥有专业背景并辅以英语优势则非常出色，仅掌握语言本身不够
• 广东外语外贸大学招生情况已下滑，不再像以前热门
• 小语种 （泰语、 斯拉夫语、 阿拉伯语） 通常用于与阿拉伯商人交易或到中东担任
外交官/秘书，存在生命危险
注意
仅学习计算机专业：若能进入 211 或 985 大学，尚可接受；若只是职业技术学
院水平则不行。 学习人工智能最好在排名前十的大学， 否则难以达到预期效果。
普通学校开设人工智能专业是” 骗人的”，人工智能是软硬件结合的，难度远大
于纯学计算机。
计算机与安全生产的结合
Study Notes 168 / 269 先看条件，再套公式

安全管理与事故调查分析 课堂笔记
• 安全生产领域智能化应用广泛，原先称” 互联网 +“，现在称” 智能化”
• 许多从事计算机工作的人不了解安全知识，完全不知道从何入手
• 广东省应急管理厅与多家计算机公司合作开发系统， 主要是管理信息系统 （MIS）
和信息技术（IT） ，实质多为办公自动化系统（OA）
• 计算机专业不懂安全知识， 但相关知识并不难： 爆炸下限、 职业允许浓度等， 买
本书即可学习
例
闪点：液体在特定条件下，遇火星即能燃烧的最低温度。汽油闪点较低，柴油
闪点较高。在青藏高原驾驶柴油货车时不能随意熄火，否则温度迅速下降导致
柴油冻结，无法再次启动发动机。南极、北极地区同理，设备不能停机，一旦
停机需非常规方法加热才能重启。
爆炸浓度与监测
• 爆炸浓度有上限和下限：浓度低于下限不会爆，高于上限也不会爆，正好在区
间内才会爆炸
• 计算机专业可监测温度和浓度，这些知识并不难
• 计算机专业和安全相关的知识在任何地方都通用，各行业皆如此
• 了解在哪里可以快速找到这些信息，对编程是必要的
疏散方向与紧急照明检查
• 疏散门往哪个方向开：需确认疏散方向，判断门是否朝疏散方向开启
• 紧急照明设备：断电时确保安全，若缺少或损坏，夜间可能导致混乱
机器视觉与行为识别
• 机器视觉（machine vision）是计算机视觉（computer vision）的表现形式
• 人脸识别：前提是人脸信息必须先被录入系统，如宿舍门、校门的刷脸系统
• 人脸识别尚未完全完善，有时需站高一些才能识别
注意
计算机目前尚无法有效解决的问题是人的行为偏差。例如酒后驾车时，如何界
定” 动作反应慢”？如何定义” 拖泥带水”？转弯时是否经常压线？偶尔一次失误
无妨，但总是压线、连续压线则可能意味着驾驶状态不正常。
Study Notes 169 / 269 先看条件，再套公式

安全管理与事故调查分析 课堂笔记
自动驾驶等级与安全
• 车辆正常行驶行为：保持在道路中央，避免频繁压线
• 若车辆偶尔压线、转弯幅度大，可判断为异常状态，需提醒驾驶员
• 小米汽车辅助驾驶仅达 L2 级别：主要功能是提醒驾驶员车辆越线等潜在风险
• L3 级别：汽车公司需承担赔偿责任，发生事故由公司负责赔偿
注意
驾驶员发现前方危险后立即转移控制权给系统，仅有一两秒时间，系统难以及
时处理， 导致悲剧发生。 这是典型例子： 车辆还未能完全摆脱L2 级别的半自动
驾驶状态， 达不到L3 或更高级别的全自动驾驶要求。 应避免追求过高的自动化
水平。
疲劳驾驶的识别
• 驾驶员频繁偏离正常行驶路线、压线时间长、被提醒后仍不变道，可判断为状
态不适合开车
• 可能原因：喝酒、疲劳驾驶等
• 大货车疲劳驾驶案例： 一边开车一边睡觉， 没打方向盘， 把旁边车辆撞死， 自己
没事，醒过来时已造成事故
高空作业的安全判断
• 判断高空作业行为是否正确：检查是否使用梯子、梯子安全性、下方是否有人
监护、是否正确使用安全带
• 肉眼通常足够敏锐，普通人就能识别安全措施是否到位
• 修路灯案例： 使用折叠式升降梯， 有篮子结构， 工人站在篮子里作业， 不用吊车
例
更换路灯：基本要求是确认周围是否有车辆、确保安全。作业人员可能站在三
四米高的位置，即使车辆撞击力度较轻，也可能因操作不当导致人员伤亡。必
须设置栏杆和警示标志防止车辆碰撞， 并有人在现场维持秩序和监护操作人员。
机器识别安全问题的挑战
• 对人类而言，用肉眼观察安全措施是否到位相对简单
• 如何让机器识别和解决类似问题（特别是在安全方面） ，仍是未解决的挑战
• 若能解决这些问题，可以完成更多工作
机器视觉与安全行为识别
• 安全工程与计算机结合，可向机器视觉（ machine vision）方向发展，注意区别
于音乐电视（music video）
• 图像识别应用：识别是否佩戴安全帽，未佩戴则禁止进入
• 驾驶员行为监控：频繁压线、疲劳驾驶等状态可被系统识别并提醒
• 大巴车限速规定：最高不得超过 100 公里/小时
多参数综合判断
• 单一指标 （如速度） 控制不够， 加速踏板踩到底后车速不再上升， 需结合多个指
标
• 摄像头可监测驾驶员眨眼频率等细节，判断是否疲劳
• 火车司机连续驾驶最长 3-4 小时，动车行程 8-9 小时需分段换司机（如广州局到
韶关、长沙换班）
Study Notes 170 / 269 先看条件，再套公式

下一段