一、方法核心逻辑
- 组合赋权：同时考虑专家经验（主观权重）与数据分布（客观权重），避免单一赋权的偏差。
- 云模型 ：用期望 ExExEx、熵 EnEnEn、超熵 HeHeHe 三个数字特征，将定性语言值（如"较危险"）与定量区间（如风险评分 60-70）进行双向映射，解决风险评价中的模糊性与随机性。
二、实施步骤详解
1. 建立风险评价指标体系
结合码头施工特点（高桩、重力式、板桩等结构类型，水域作业、深基坑、大型机械等风险源），采用"人-机-料-法-环"或"目标层-准则层-指标层"结构。示例：
| 准则层 | 指标层示例 |
|---|---|
| 人员因素 | 安全培训率、违章作业频率、疲劳作业程度 |
| 机械设备 | 设备完好率、特种设备检验率、吊装稳定性 |
| 材料管理 | 材料堆放合规率、危险品泄漏风险 |
| 施工方法 | 专项方案审批、基坑监测频率、工序衔接风险 |
| 环境条件 | 水文地质复杂性、极端天气预警响应、夜间作业照度 |
指标需可量化或可通过专家打分转化为数值。
2. 组合赋权计算指标权重
2.1 主观权重（AHP/FAHP）
- 构建判断矩阵 → 计算特征向量 → 一致性检验 → 得主观权重 wsw_sws。
2.2 客观权重（熵权法 / CRITIC）
- 若有多组样本数据（如多个标段或历史事故数据），采用熵权法：
- 数据标准化 → 计算信息熵 $eje_jej → 客观权重 wo=1−ej∑(1−ej)w_o = \frac{1-e_j}{\sum(1-e_j)}wo=∑(1−ej)1−ej。
2.3 组合赋权
常用乘法合成或线性加权：
wj=wsj⋅woj∑j=1nwsj⋅woj(乘法) w_j = \frac{w_{sj} \cdot w_{oj}}{\sum_{j=1}^n w_{sj} \cdot w_{oj}} \quad \text{(乘法)} wj=∑j=1nwsj⋅wojwsj⋅woj(乘法)
或
wj=αwsj+(1−α)woj，α∈[0,1] w_j = \alpha w_{sj} + (1-\alpha) w_{oj} \quad \text{，}\alpha\in[0,1] wj=αwsj+(1−α)woj，α∈[0,1]
α\alphaα 可取 0.5 或根据偏好确定。
3. 建立风险评价云模型
3.1 确定评语集及云数字特征
评语集例如：{低风险、较低风险、中等风险、较高风险、高风险}。
将每个评语对应一个数值区间（如 [0,20),[20,40),...），并转化为云参数 Ex,En,HeEx, En, HeEx,En,He：
Ex=xmin+xmax2,En=xmax−xmin6,He=k(通常取 0.01 0.1) Ex = \frac{x_{\min}+x_{\max}}{2}, \quad En = \frac{x_{\max}-x_{\min}}{6}, \quad He = k \quad (\text{通常取 0.01~0.1}) Ex=2xmin+xmax,En=6xmax−xmin,He=k(通常取 0.01 0.1)
HeHeHe 反映云的厚度（随机性），可结合专家意见或历史数据波动性确定。
3.2 生成标准评价云图
通过正向云发生器生成各评语等级的云滴散点图，用于后续相似度比较。
4. 综合评价计算
4.1 构建模糊评价矩阵 (R)
对于每个指标 iii，请专家（或现场数据）给出其属于各评语等级的隶属度 rijr_{ij}rij。
若采用逆向云：由多个专家的打分值 x1,x2,...,xmx_1,x_2,...,x_mx1,x2,...,xm 计算样本均值 xˉ\bar{x}xˉ、一阶绝对中心距、样本方差，估算该指标的云参数 (Exi,Eni,Hei)(Ex_i, En_i, He_i)(Exi,Eni,Hei)，再计算其与标准云的重叠度作为隶属度。
4.2 综合隶属度向量 (B)
B=W∘R B = W \circ R B=W∘R
其中 WWW 为组合权重向量，∘\circ∘ 为模糊合成算子（通常取加权平均型 (M(\cdot, +)$）。
4.3 综合云生成
将 (B) 视为各等级云的权重，计算综合云数字特征：
Extotal=∑(Bk⋅Exk)∑Bk,Entotal=∑(Bk2⋅Enk)∑Bk2,Hetotal=∑(Bk2⋅Hek)∑Bk2 Ex_{total} = \frac{\sum (B_k \cdot Ex_k)}{\sum B_k}, \quad En_{total} = \frac{\sum (B_k^2 \cdot En_k)}{\sum B_k^2}, \quad He_{total} = \frac{\sum (B_k^2 \cdot He_k)}{\sum B_k^2} Extotal=∑Bk∑(Bk⋅Exk),Entotal=∑Bk2∑(Bk2⋅Enk),Hetotal=∑Bk2∑(Bk2⋅Hek)
4.4 风险等级判定
- 计算综合云与各标准云的相似度（如通过云滴重合面积或余弦相似度），相似度最高的等级即为整体风险等级。
- 也可直接比较 ExtotalEx_{total}Extotal 所在区间。
5. 模型验证与灵敏度分析
- 对比验证：与模糊综合评价、灰色聚类等方法结果对比。
- 灵敏度分析 ：改变组合赋权的 α\alphaα 值或HeHeHe的取值，观察风险等级是否稳定。
三、方法优势及适用场景
| 优势 | 说明 |
|---|---|
| 克服模糊性与随机性 | 云模型比普通模糊集更真实地反映风险的主观判断波动 |
| 主客观结合 | 组合赋权避免单一权重极端化，适合缺少大样本数据的码头施工 |
| 可图形化展示 | 云滴图直观展示风险集中与离散程度，便于汇报和决策 |
| 动态扩展性 | 可接入施工实时监测数据，更新云参数，实现动态预警 |
典型应用场景：
- 大型港口码头施工前总体安全预评价
- 不同标段（高桩码头 vs 重力式码头）风险对比
- 施工中期基于监测数据的动态风险更新
四、示例简化计算（示意）
假设某码头施工有3个指标，权重 (W=[0.4,0.35,0.25](W=[0.4,0.35,0.25](W=[0.4,0.35,0.25]，评语集 {低(L),中(M),高(H)} 对应云参数：
L: (15,5,0.1), M: (50,8,0.1), H: (85,5,0.1)
某专家对各指标打分（百分制）：指标1=70, 指标2=55, 指标3=80
转化为各指标对评语的隶属度（通过计算云与云的距离）：得到矩阵 (R)
计算 B=W∘RB = W \circ RB=W∘R → 例如 B=[0.1,0.6,0.3]B=[0.1,0.6,0.3]B=[0.1,0.6,0.3]
综合云 Ex=(0.1∗15+0.6∗50+0.3∗85)/(1.0)=54Ex = (0.1*15+0.6*50+0.3*85)/(1.0)=54Ex=(0.1∗15+0.6∗50+0.3∗85)/(1.0)=54，落在M区间，故为中等风险。
