強對流天氣下建筑工程高處墜落事故成因及路徑識別研究*

曾衛華 田儀帥 陳偉 左佳凡 許煒陽

(1.中國市政工程中南設計研究總院有限公司，湖北 武漢 430014；2.武漢理工大學土木工程與建筑學院，湖北 武漢 430070)

0 引言

建筑業是我國支柱產業之一，在快速發展的過程中，雖然各類建設工程安全保護措施與技術不斷提高，但高處墜落事故依舊頻繁發生。此外，隨著全球氣候不斷惡化，強降雨、龍卷風等極端天氣不斷對在建工程造成沖擊，導致高處墜落事故頻發。2015—2022年，我國高處墜落事故發生數量占全國房屋市政工程生產安全事故數量的約50%，其中2021年高處墜落事故數量占比高達59.07%[1]，而強對流天氣導致的高處墜落事故正在逐漸增多。因此，科學管控，避免強對流天氣施工過程中高處墜落事故發生，是有效降低建筑事故傷亡損失的首要任務。

近年來，國內外學者針對強對流極端天氣下建設工程高處墜落事故風險進行了大量研究。周建亮等[2]利用生理指標進行建筑工人高處墜落疲勞實驗，黃鶯等[3]利用DS證據理論對高處墜落風險進行定量評估，夏楊等[4]利用云-BIM模型結合RFID構建建筑工人高處墜落預警系統，李鈺等[5]利用社會系統技術對高處墜落的宏觀工效學模型進行分析。也有學者利用模糊分析法[6]、系統事故致因模型[7]、宏觀工效學模型[8]、故障樹分析方法[9]、結構方程模型[10]、“2-4模型”[11]等方法對強對流天氣下高處墜落事故致因進行分析，進而提出相應的管理措施，以降低高處墜落事故的發生。但現有研究較多集中于致因識別、系統仿真模擬、安全風險分析，針對綜合致因作用下高處墜落事故的擾動及因素間傳遞性的研究相對較少。

基于此，本文引入決策試驗和評價實驗法(Decision Making Trial and Evaluation Laboratory，DEMATEL)、解釋結構模型(Interpretative Structural Modeling Method，ISM)、交叉影響矩陣相乘法(Matriced Impacts Corises-multiplication Appliance Classment，MICMAC)分析各事故因素間的因果關系，確定各致因因素間的層級結構，并進行指標間的分類[12-13]。通過搜集1038起高處墜落事故報告，統計各致因因素的發生，在客觀數據支撐下采用DEMATEL-ISM-MICMAC確定高處墜落事故致因相互影響的層級結構，在此過程中克服主觀判斷影響因素之間的關系所帶來的誤差。以高處墜落事故的致因機理為基礎，提出安全投資建議，以期為預防高處墜落事故與提升工程安全效益提供理論依據。

1 DEMATEL-ISM-MICMAC模型構建

DEMATEL、ISM、MICMAC耦合的研究方法目前已經被廣泛運用于風險因素識別及風險關系、風險分類的研究[14-15]。其中，DEMATEL可揭示強對流天氣下高處墜落系統中各致因因素間的影響關系，確定系統中各風險致因因素間的關聯性；而ISM可分析強對流天氣下高處墜落系統各致因因素間的關聯順序，將體系內復雜致因關系轉化為直觀且有層次的多級遞階結構模型；MICMAC可以對高處墜落系統中各致因因素進行分類歸納與分析。集成使用三種方法，構建多層次模型，將強對流天氣下高處墜落系統致因因素間的相互關系轉化為可以體現事故致因因素間傳遞路徑的層次結構。采用DEMATEL-ISM-MICMAC耦合方法[16-17]，具體過程如圖1所示。

圖1 強對流天氣下高處墜落DEMATEL-ISM-MICMAC系統

2 強對流天氣下高處墜落事故風險因素識別

強對流天氣下建筑工程風險因素復雜，客觀、全面地識別建筑工程高處墜落事故風險因素十分重要。通過搜集國家應急管理局、各地應急管理局發布的相關高處墜落事故報告，以及安全生產相關網站在2005—2022年發布的建筑工程高處墜落事故報告，共搜集1038份較為典型的高處墜落事件，剔除事故信息不完整報告208份，最終篩選出強降雨、龍卷風等強對流天氣引發的共87起高處墜落事件事故報告。

基于事故報告中的致因分析，結合CNKI、Web of Science等數據庫中相關文獻的標準術語，將事故報告與文獻中的相似因素進行組合，總結出高處墜落事故的主要致因因素。發現高處墜落事故致因主要來源于人、物、管理、環境4個方面[18]，最終將建筑工程高處墜落事故致因系統分為人、物、管理、環境4個子系統和19項致因因素，見表1。

表1 建筑工程高處墜落事故致因因素

3 強對流天氣下高處墜落事故致因路徑識別與分析

3.1 DEMATEL-ISM模型構建與分析

(1)確定直接影響矩陣A。在充分總結強降雨導致的建筑工程高處墜落事故報告的基礎上，結合表1中所提煉的高處墜落事故關鍵致因，統計87起事故中致因因素發生的頻次，并確定各致因因素間的相互影響關系。通過邀請5名專家，其中高校專家3名，建設單位專家2名，針對87起事故報告進行研判。專家針對事故中各致因因素間的相互影響關系進行探討，同一起事故中若致因ai對aj有直接影響，則aij記為1，否則記為0。通過對87起事故進行頻次統計，最終整理得到直接影響矩陣A(表2)。

表2 直接影響矩陣A

A=(aij)m×n

(1)

(2)建立綜合影響矩陣。首先，對直接影響矩陣A結合式(2)進行規范化處理，計算得到規范影響矩陣B；其次，綜合考慮高處墜落風險致因因素間的直接影響和間接影響，結合式(3)進行直接影響和間接影響累計方式，計算得到綜合影響矩陣T，綜合影響矩陣表示系統因素間直接和間接的綜合效應。

(2)

T=B(E-B)-1

(3)

(3)簡化風險系統結構。需要引入恰當閾值λ，去除整體影響矩陣中存在的冗雜信息。根據數據分布特點，分別取λ為0.08、0.12、0.16，得到不同閾值下的節點度變化曲線(圖2)。當λ=0.12時，節點度適中，所取λ確定的節點度排名靠前的評價指標與DEMATEL法所得中心度排名較高的關鍵指標基本一致，且所得高處墜落事故影響因素模型層級劃分結構符合實際(表3)。根據式(4)構建鄰接矩陣，將初始鄰接矩陣加上單位矩陣后，根據布爾代數的冪運算得到最終的可達矩陣R，從而求出可達集P(Si)、先行集Q(Si)和交集R(Si)，進而提取相應影響因素，最終演化得到DEMATEL-ISM層級結構(圖3)。

(4)

圖2 不同閾值下的節點度變化曲線

圖3 建筑工程高處墜落事故影響因素DEMATEL-ISM層級結構

表3 當λ選取0.12可達矩陣

由圖3可知，第1層代表事故的直接致因，主要與物的不安全狀態有關，其次涉及自然環境的影響與人員無資質上崗專業、技術水平低，會直接導致高處墜落事故發生，應將其作為事故預警事件予以重點關注。

第2～3層是事故的過渡致因，包括違規/違章操作，安全隱患排查/整改不足，施工設計缺陷、施工方案缺失，生理不適、健康狀況不佳，高處作業經驗缺乏，現場作業環境混亂7個因素，該類因素的發生將迅速傳遞至直接致因，導致事故發生，是不容忽視的潛在致因。

第4～5層是事故的深層致因，尤其是施工安全行為監管不力作為致因系統的第二個輸入端，可見與管理相關的各個因素發生后，將直接或間接傳遞至人的不安全行為或物的不安全狀態，實現管理致因與人、物致因的耦合，從而導致高處墜落事故發生；最底層因素企業安全管理制度不健全或管理形式化作為致因系統的根本輸入端，其一旦發生，將不斷作用于各致因因素，導致高處墜落事故。因此，企業應提高對安全管理制度重要性的認識，杜絕管理形式化，切實將安全管理落到實處，才能從根本上降低高處墜落事故發生概率。由以上分析可知，目前，我國對于高處墜落事故的預防應以優化管理措施和人員管理為主，從而預防物的不安全狀態。同時，應做好強對流天氣的應急措施，以預防高處墜落事故的發生。

3.2 MICMAC模型構建與分析

為了深層次劃分強對流天氣下高處墜落事故各致因因素的地位與作用，分析因素的驅動力和依賴性，構建MICMAC模型?；诳蛇_矩陣，計算因素xi的驅動力Di和依賴度Ri。Di越大，說明因素xi對其他因素的影響程度較大；Ri越大，說明xi對其他影響因素的依附性越大。驅動力與依賴性計算公式見式(5)～式(6)，繪制驅動性與依賴度圖(圖4)。

(5)

圖4 強對流天氣下高處墜落風險致因驅動力-依賴性圖

(6)

從圖4可以出看，致因因素主要出現在獨立因素和自主因素及鏈接因素三個象限當中。其中，C8具有較高的驅動力，B1具有較強的依賴度。而D1驅動力和依賴性均較弱，說明強對流天氣下環境的影響往往是較為獨立的，雖然其驅動力與依賴性較弱，但其對于整個體系的影響是較大的。整個體系中并不存在處于第一象限的因素，說明在整個強對流天氣引發的高處墜落事故中，并未有較難處理的因素，也進一步說明，只要針對ISM層級結構上的因素進行逐步處理，即可極大地減少強對流天氣引發的高處墜落事故。因此，應重點提高施工人員強對流天氣的應急處置水平。另外，政府安全主管部門也需進一步加強對轄區在建工程的安全監管，以減少強對流天氣引發的高處墜落事故。

4 結語

強對流天氣引發的高處墜落事故作為一個復雜事故系統，其致因因素復雜且相互關聯。基于DEMATEL-ISM-MICMAC對致因因素的層級性、關聯性進行分析，剖析高處墜落事故致因因素間的相互影響關系和層次結構，并對風險致因進行分類。其中，企業安全管理制度不健全或管理形式化是底層核心致因，強對流天氣影響與設備老化是典型的表層致因，操作失誤與應急水平較低是重點鏈接因素。企業后期需加強強對流天氣下高處施工安全教育培訓，提高應急處置能力，減少建設安全事故?？紤]到高處墜落事故具有時變效應，后期可以進一步擴大搜集事故案例數量，使各因素間的相互關聯關系和事故致因路徑傳遞得更精確，也可聯用貝葉斯網絡或機器學習算法進一步探究風險致因間的動態復雜關系。