孫 勇，鐘卓玲，李 璐

(深圳大學 土木與交通工程學院，廣東 深圳 518000)

0 引言

建筑業(yè)作為事故和傷害多發(fā)行業(yè)，建筑工人的職業(yè)健康安全受到業(yè)界廣泛關注。研究表明，人為錯誤是引發(fā)安全事故的主要原因，對其控制將很大程度提高工作場所安全水平。建筑工人不安全行為預測作為施工安全管理有效手段，對安全事故預防發(fā)揮著重要作用。

隨著人工智能技術不斷發(fā)展，利用圖像識別、RFID等監(jiān)測及預警不安全行為的研究不斷涌現(xiàn)，如丁烈云等[1]開發(fā)基于CNN+LSTM的混合模型能夠準確監(jiān)測現(xiàn)場工人的安全/不安全行為，但由于時空特征、照明、以及識別不安全行為所需視點陣列的普遍復雜性，其應用仍然具有一定局限，也無法從根本上阻斷建筑工人不安全行為發(fā)生。

在早期研究中，已有部分文獻指出安全氛圍具有預測工傷的能力，安全氛圍差的組織中傷害率較高，這為從源頭控制不安全行為提供了新的見解[2]。Fogarty等[3]基于計劃行為理論搭建安全氛圍核心維度與安全行為之間的關系模型，并指出計劃行為理論對于解釋不安全行為心理背景是行之有效的工具，但未就如何基于安全氛圍對不安全行為進行預測作進一步討論。此后，Bosak等[4]利用南非化學制造公司623名員工作為樣本，指出安全氛圍3維度(管理層對安全的承諾、安全優(yōu)先級和生產壓力)對風險行為具有顯著影響，然而未就其影響建立實用評估模型。

基于上述研究，結合人工神經網絡能夠自主學習數據中隱藏關系的特點，本文提出基于安全氛圍核心維度構建人工神經網絡框架模型，并利用問卷數據對模型進行訓練測試與仿真，獲得在施工安全管理中能夠實際應用的不安全行為預測模型，從源頭阻斷施工安全事故發(fā)生。

1 班組安全氛圍與工人不安全行為意向研究

1.1 班組安全氛圍的定義

安全氛圍(Safety Climate)也稱安全氣候，在20世紀80年代初由著名學者Zohar[5]提出，最初被定義為員工對工作風險和安全環(huán)境的感知，并可反映組織內部成員對于安全的重視程度。此后隨著研究進行，安全氛圍內涵逐漸豐富起來。Sharon[6]通過元分析發(fā)現(xiàn)，目前學者對安全氛圍的認識主要集中在工人對安全的態(tài)度、感知、性格、信念等方面；Zohar[7]隨后對安全氛圍作出更為精確的定義，即“組織成員通過教育培訓、交流互動和領導導向等方式形成的對組織安全績效的共同認知”。安全氛圍作為安全文化作用于個體行為的媒介變量或者中介變量，可避免安全文化無法進行定量測量與評估的難點。

班組作為以單工序、工種、崗位等組成的最小組織單位，是施工項目有機組成部分，同時也是安全生產的“根基”，直接影響安全生產管理工作水平及公司整體形象和經濟效益[8]。以施工班組作為研究單位，有助于管理者實際開展安全管理工作，提升安全管理水平。

基于目前對安全氛圍廣泛認知和對班組的理解，本文將施工班組安全氛圍定義為：班組成員在施工過程中形成對安全相關政策、規(guī)章制度、程序、環(huán)境等的共同認知，且這些認知反過來會影響施工團隊安全行為。

1.2 班組安全氛圍維度確定

基于安全氛圍呈現(xiàn)出的多因素結構，通常利用多個維度來測量安全氛圍，對制造業(yè)、建筑業(yè)等相關行業(yè)進行文獻回顧，不同學者針對不同的研究主題，其安全氛圍維度劃分有較大差異。在早期研究中，Zolar[5]提出用8維度(安全培訓計劃的重要性和優(yōu)先級、管理層對安全的態(tài)度、安全指導實施效果、工作場所的風險水平、要求的安全工作節(jié)奏效果、安全員的工作情況、社會狀態(tài)中安全指導的效果、安全委員會的工作情況)模型來調查以色列20家工業(yè)企業(yè)安全氛圍；Brown等[9]試圖利用美國10家生產制造公司數據來驗證Zolar的安全氛圍模型，但沒有得到相同因子結構，取而代之的是3因子(管理層的態(tài)度、管理層的行為、風險等級)結構；Alruqi[10]對2000—2016年施工安全氛圍相關文獻歸納總結出14種常見安全氛圍維度，并通過元分析方法最終確定管理層對安全的承諾、監(jiān)督者支持、安全規(guī)則與程序、安全培訓、工友對健康與安全的關注應該作為安全氛圍核心維度。

此外，楊波濤[11]指出，班組長作為施工班組直接領導，是一線建筑工人與施工企業(yè)領導之間溝通的橋梁，班組長在施工過程中的行為會對班組成員產生潛移默化的作用，進而影響施工班組安全氛圍，因此，班組長行為是班組安全氛圍不可或缺的維度；方東平[12]指出，工人積極參與安全事務能夠更好改善安全環(huán)境，利于鞏固安全相關規(guī)則制度與安全程序實施，并將安全參與作為安全氛圍有效維度?；谏鲜銮闆r，本文采用Alruqi提出的安全氛圍5個核心維度，結合班組特點擴展2個維度(班組長行為、班組安全參與)進行安全氛圍測量，各維度表述如表1所示。

表1 安全氛圍維度劃分Table 1 Division of safety climate dimensions

1.3 工人不安全行為意向研究

針對不安全行為，國內外尚未形成統(tǒng)一定義。在我國，注冊安全工程師執(zhí)業(yè)資格考試指導教材中將不安全行為定義為：員工在生產過程中，違反安全生產制度、安全作業(yè)方法、生產技術規(guī)定等具有風險的行為所造成的負面結果。本文將施工班組不安全行為定義為班組成員在施工活動中因違反相關安全規(guī)章制度、安全操作守則、安全生產相關法律法規(guī)和條例等而可能引發(fā)安全事故的行為。

對于不安全行為分類，國內外學者也存在不同方法，最初的分類模式主要是工程分類法，隨著心理學理論在建筑工程領域的應用與發(fā)展，認知分類法逐漸興起并被廣泛接受。 本文主要探討施工班組安全氛圍對工人不安全行為影響，而安全氛圍本身就是員工對安全的一種整體性知覺，因此采用認知分類法將更有利于本研究展開。

基于認知分類，Reason根據行為產生根源，將不安全行為分為非意向行為(Unintentional Behavior)和意向行為(Intentional Behavior)2類，其中意向行為指行為執(zhí)行者在提前知道安全規(guī)則前提下做出不安全行為，如工人出于方便考慮冒險違規(guī)、習慣性違章等；非意向行為指工人在不知道安全規(guī)則條件下做出不安全行為，如工人施工經驗不足、缺乏建筑施工相關知識、無法感知施工作業(yè)信息、建筑工人身體缺陷等都可能導致非意向性不安全行為。在此基礎上，王斯琦[13]研究施工現(xiàn)場工人不安全行為時將其影響因素劃分為追求省能、風險感知、管理者影響、工友影響、自我效能、外部條件、過去行為7個層面，并據此開發(fā)出《建筑施工現(xiàn)場工人不安全行為問卷》，用于測量工人不安全行為。本文將借鑒王斯琦開發(fā)的工人不安全行為量表測量工人不安全行為意向。

2 構建不安全行為預測模型

2.1 人工神經網絡模型建立

2.1.1 研究假設

通過引言分析，安全氛圍對員工不安全行為具有顯著影響，并對其具有可預測性。但目前相關研究普遍關注安全氛圍本身屬性、安全氛圍各核心維度的相互影響關系、安全氛圍與安全行為之間的有機聯(lián)系，缺乏基于安全氛圍預測不安全行為的實用研究[2-4,7]。本文在安全氛圍可預測不安全行為假設前提條件下提出一種實用預測模型。

2.1.2 人工神經網絡模型

人工神經網絡(ANN)是一門模仿人類神經中樞構造與功能的智能學科，以其自主學習、高速計算、容錯能力強、全息聯(lián)想、組織能力強等優(yōu)勢，在處理非線性問題上作用巨大，能夠較好地反映輸入、輸出指標間的關系，因此作為研究工具在職業(yè)健康與安全管理領域獲得應用[14]。

班組安全氛圍維度多，對工人不安全行為意向影響復雜，很難用現(xiàn)成線性函數關系來表征自變量與因變量之間的聯(lián)系。本文考慮人工神經網絡自主學習數據中隱藏關系的特點，擬采用BP神經網絡建立模型，以此探索班組安全氛圍與工人不安全行為之間的定量關系。

BP神經網絡由輸入層、隱含層和輸出層組成。輸入層表示班組安全氛圍7個維度變量(管理層對安全的承諾S1、監(jiān)督者支持S2、安全規(guī)則與程序S3、安全教育培訓S4、工友對健康與安全的關注S5、班組長行為S6、班組安全參與S7)。由于隱層神經元數目過少會導致預測模型欠擬合，過多則會導致預測模型過擬合，因此合理的隱層神經元數目非常重要。本文通過反復試驗與求解，觀察均方誤差(MSE)，當其值相對最小時停止調整。經驗值公式如式(1)所示：

(1)

式中：m表示隱層節(jié)點數；n表示輸入層節(jié)點數；l表示輸出層節(jié)點數；α表示1～10之間的常數。

輸出層包含不安全行為7個層面因素(追求省能R1、風險感知R2、管理者影響R3、工友影響R4、自我效能R5、外部條件R6、過去行為R7)，模型基本框架如圖1所示。

圖1 安全氛圍神經網絡模型Fig.1 Neural network model of safety climate

2.1.3 風險評價標準設置

風險矩陣評價法是施工中常見的風險評價方法，該評價方法通過確定危害事件發(fā)生的嚴重程度及危害事件發(fā)生的可能性來綜合評價風險程度，該種方法將危險程度分為5個級別，本文參照該方法將不安全行為分為5個等級，并將原始等級區(qū)間進行歸一化處理，詳細等級劃分如表2所示。

表2 不安全行為風險等級劃分Table 2 Classification of unsafe behavior risk

2.2 數據收集處理與模型訓練

2.2.1 數據收集

問卷調查共分為3部分，第1部分6個題項，調查受訪者基本信息；第2部分和第3部分采用李克特五級量表，其中第2部分23個題項，測量班組安全氛圍；第3部分17個題項，測量建筑工人不安全行為，題項參考來源見表3。

表3 測量問卷題項參考來源Table 3 Reference sources of items in questionnaire

調查對象為各工地專業(yè)建筑工人，調查范圍覆蓋全國8個省市11個在建項目。共發(fā)放問卷350份，最終收回328份，問卷回收率為93.71%，無效問卷22份，有效問卷回收率87.43%。對問卷數據進行獨立樣本T檢驗，雙尾檢驗P值均小于0.05，即測量題項均具有顯著性。利用SPSS進行信度檢驗，總量表Cronbach’sα值為0.872，大于0.8，表示量表總體信度良好，各子量表Cronbach’sα值均大于0.8，各測量題項CITC均大于0.50，測量指標可信。利用KMO檢驗進行問卷效度分析，KMO值為0.881，大于0.80，問卷效度滿足要求，分析指標詳見表4。

2.2.2 數據處理

為保證工人真實填寫問卷，本文部分題項設置為反向題，首先進行反向題計分；其次，按照維度分別匯總每1份問卷題項得分，形成數據表格；最后，將原始數據歸一化到區(qū)間[0,1],可有效規(guī)避BP神經網絡中S型函數的飽和區(qū)，進而增強模型預測靈敏度。本文采用的歸一化函數如式(2)所示：

表4 測量問卷指標分析Table 4 Analysis of questionnaire indexes

(2)

式中：Xi表示輸入指標原始數據；Xmin表示該組數的最小值；Xmax表示該組數據最大值。

2.2.3 神經網絡模型訓練

本文采用MATLAB編程構建神經網絡模型，將原始數據分成3部分，其中70%用于訓練網絡，15%用于驗證網絡性能，15%用于測試網絡。采用logsig函數作為傳遞函數，trainlm函數作為訓練函數，訓練次數設定為1 000。多次調整隱層神經元數量，當隱層神經元個數為12時，均方誤差達到相對最小值，此時網絡性能最優(yōu)，網絡收斂共進行32次迭代，如圖2～4所示。

圖2 訓練模型均方誤差曲線Fig.2 Mean squared error curves of training model

圖3 訓練模型誤差分布Fig.3 Error distribution histogram of training model

圖4 訓練模型目標輸出與預測輸出回歸Fig.4 Regression on target output and predictive output of training model

通過圖像可看出，構建的網絡模型最優(yōu)時均方誤差為0.015 4，其誤差分布符合正態(tài)分布，訓練網絡目標輸出與預測輸出相關系數R均大于0.9，充分表明構建的網絡模型具有較強的擬合性能，能夠有效預測工人不安全行為。

3 實證研究

以中建四局深圳某項目為例，某木工班組5名工人(包含1名班長)為本次調查對象，通過問卷形式獨立測量5名工人安全氛圍，將測量數據匯總求平均值，形成班組安全氛圍數據，歸一化后放入已訓練模型，用SIM函數仿真得輸出結果。歸一化后安全氛圍輸入矩陣INPUT=[管理層對安全的承諾，監(jiān)督者支持，安全規(guī)則與程序，安全教育培訓，工友對健康與安全的關注，班組長行為，班組安全參與]T=[1.00,0.93,0.88,0.76,0.78,0.85,0.90]T,模型仿真輸出OUTPUT=[追求省能，風險感知，管理者影響，工友影響，自我效能，外部條件，過去行為]T=[0.213,0.045,0.011,0.387,0.096,0.130,0.234]T,對比風險評價等級發(fā)現(xiàn)：1)追求省能達到4級風險等級，即工友在工作過程中有可能會因為追求省能而產生可接受行為過失；2)工友影響變量達到3級風險評價等級，說明在勞動時可能因其他工友影響而產生一般行為過失使身體受到傷害；3)過去行為變量達到4級風險等級，表明工友過去行為中存在不安全風險隱患，同時影響當前不安全行為意向；4)其余行為變量風險值均小于0.16，即尚未出現(xiàn)相關風險影響因素。

進一步與班組成員交流，該班組成員普遍認為部分防護用品穿戴不方便，影響施工效率，在可戴可不戴情況下會選擇不穿戴；同時，工友認為同事的不安全行為會很大程度影響自身行為，一方面工友認為同事某些不安全行為通常會增加工作效率，另一方面認為某些不安全行為并不會導致大的安全事故，更關心在對身體可能沒有傷害情況下如何獲取更多收益。調研發(fā)現(xiàn)，該班組在過去1個月中曾出現(xiàn)工友因操作不規(guī)范而嚴重砸傷手指的情況，由于傷害相對較小，并未引起大家足夠重視。

針對上述安全問題，項目管理人員采取相關措施來防范安全事故在該班組進一步擴大：1)針對性加強安全教育培訓，以事故案例促進培訓效果，從思想上讓班組工人意識到不安全操作的危害；2)針對性加強班組巡查監(jiān)督工作，通過監(jiān)督減少不安全行為發(fā)生；3)鼓勵班組成員互幫互助，要求工人自身在遵守相關安全規(guī)定的同時，關注班組內部其他成員安全狀態(tài)，一旦發(fā)現(xiàn)不安全行為，要立即指出并糾正；4)建立健全班組安全作業(yè)獎懲機制，給予安全表現(xiàn)好的班組成員精神和物質上的獎勵。

4 結論

1)提出基于班組安全氛圍預測建筑工人不安全行為的方法，以班組安全氛圍核心維度構建的工人不安全行為預測模型均方誤差0.015 4，目標輸出與預測輸出相關系數R大于0.9，模型對不安全行為數據具有較強擬合能力。該方法既是對當前安全氛圍實用研究的豐富與拓展，也為管理人員從源頭針對性管控工人不安全行為提供了1種有效手段。文中實例充分驗證了該方法的有效性與實際可操作性。

2)利用人工神經網絡自主學習數據中隱藏關系的特點，可在保證數據擬合精度前提下降低模型建立難度，將其用于不安全行為預測被證實是1種可行研究策略。

3)當前基于安全氛圍數據靜態(tài)預測建筑工人不安全行為，未來將探討在移動互聯(lián)網視角下如何實時高效采集工人安全氛圍數據，及時更新模型，以提高該方法的動態(tài)預測性能。