建筑工人安全/不安全行为研究的回溯与展望：基于知识图谱分析

基于Web of Science(WOS)数据库,统计分析了自1998年以来建筑工人安全/不安全行为研究的英文文献数据,并运用CiteSpace软件绘制建筑工人安全/不安全行为研究领域的知识图谱,以全面反映当前建筑工人相关行为的研究现状、研究热点,并基于计划行为理论,整合安全氛围等外部影响因素以及安全绩效等结果因素,构建了建筑工人"意向—行为"模型,提出了未来的研究方向。结果表明:建筑工人安全/不安全行为研究的发文量总体呈现上升趋势,近年来更是快速增长;作者间的合作密度普遍较高,形成了有影响力的研究团队且高校成为主要的研究阵地;安全氛围、安全管理等是当前的研究热点,也是影响建筑工人安全/不安全行为抉择的关键因素;围绕安全氛围、安全绩效等深入研究建筑工人的心理因素并利用计算机软件进行模拟分析,成为本领域的的研究前沿;未来建筑工人安全/不安全行为的研究应更多关注建筑工人行为形成的整体路径的完善、学科的深化交叉融合、情境差异下建筑工人安全/不安全行为和行为抉择的边界条件研究等。该研究可为廓清本领域整体发展趋势和后续研究提供理论参考。     

管理和人因的安全干预对建筑工人不安全行为的影响研究

管理和人因的安全干预对建筑工人不安全行为的预防至关重要。在对建筑工人不安全行为的影响因素进行识别的基础上,制定了管理和人因的安全干预措施,进而对管理和人因的安全干预与建筑工人不安全行为的影响机理进行理论假设;基于理论假设,考虑项目级和班组级安全氛围、不安全行为的影响因素,从人因层面和管理层面对建筑工人不安全行为展开相关的干预试验,建立了管理安全干预和人因安全干预对建筑工人不安全行为影响的机理模型,并采用SPSS和Amos软件对模型进行了拟合和对比分析。结果表明:①管理安全干预和人因安全干预对项目级安全氛围的提升产生0.171和0.160的正向影响,但管理安全干预比人因安全干预的干预效果好;②管理安全干预实施后,项目级安全氛围的提升对建筑工人不安全行为的减少较为显著;③人因安全干预实施后,班组级安全氛围的提升对建筑工人不安全行为的减少较为显著。该研究成果可为建筑工人不安全行为的组合干预提供一定的理论指导。     

建筑工人不安全行为影响因素的多层递阶结构模型研究

借鉴事故系统四要素理论,基于文献综述从人、物、管、环四个方面系统归纳了建筑工人不安全行为的影响因素,集成决策实验室评价法(DEMATEL)和解释结构模型法(ISM)的优点,结合专家咨询法确定了影响因素间的层级关系及其对不安全行为的影响程度,构建了建筑工人不安全行为影响因素的多层递阶结构模型。结果表明:建筑工人不安全行为影响因素分为5个层次,领导对安全的重视是影响因素体系中的深层次因素,社会规范是根层次影响因素。该研究成果有助于推动不安全行为理论体系的完善,使企业专注于关键影响因素并进行有针对性的安全管理,进而提高安全管理的绩效。     

基于前因因素的建筑工人安全行为评价模型与应用

建筑项目中的事故主要与建筑工人的不安全行为有关,因此对建筑工人安全行为进行事前评价是预防事故发生的关键。首先通过文献可视化分析初步筛选建筑工人安全行为前因因素,结合专家意见构建建筑工人安全行为评价的指标体系;然后采用群决策改进的层次分析法确定各评价指标的综合权重,并建立可拓物元评价模型;最后对某施工项目建筑工人安全行为进行评价与分析,以验证模型的合理性和可靠性。结果表明：建筑工人安全行为评价指标中安全意识所占权重较高,是事故预防的重要因素;实例应用结果表明该项目建筑工人总体安全行为等级处于“Ⅲ级”为一般安全,说明该项目施工作业人员整体处于比较安全的水平;建筑工人个体安全行为的维度指标评价结果为正态分布或偏正态分布,表明该评价模型能够有效识别建筑工人的安全行为水平,可为建筑安全管理的研究和实践提供参考。     

安全氛围对建筑工人安全行为影响的Meta分析

为系统分析安全氛围对建筑工人安全行为的影响，利用Meta分析法，整合国内外42项实证研究的13 530个调查样本，基于员工从众行为、社会认知、组织支持理论等剖析安全氛围整体及其管理层承诺、安全沟通、安全环境、安全监督4个维度对建筑工人安全行为的影响程度，并探讨企业规模和安全氛围维度个数对安全氛围与建筑工人安全行为之间关系的调节作用。结果表明：安全氛围整体及其各维度与建筑工人安全行为之间均存在显著正相关关系，其中安全氛围整体、管理层承诺和安全沟通维度与建筑工人安全行为之间存在高度相关关系，而安全环境和安全监督维度与建筑工人安全行为之间存在中度相关关系；企业规模和安全氛围维度个数对安全氛围与建筑工人安全行为之间的关系均具有显著调节作用，中小型企业的安全氛围比大型企业的安全氛围对建筑工人安全行为的影响更显著，安全氛围维度个数与各维度效应值的大小之间不存在正相关关系。     

行为视角下基于CiteSpace的建筑安全研究综述

人的不安全行为是建筑业安全事故频发的主要原因,从人的行为视角研究建筑安全是有效遏制事故发生的主攻方向。为全面、系统、客观地反映行为视角下建筑安全领域现有的研究成果,主要运用知识图谱分析工具CiteSpace,对来自中国知网(CNKI)数据库的156篇核心及以上期刊研究文献进行了可视化定量分析并辅助定性分析。结果表明:基于行为视角的建筑安全领域的研究文献发表数量整体呈上升趋势,文献发表期刊主要集中在《中国安全科学学报》和《中国安全生产科学技术》,文献关键作者呈现抱团合作;该领域的研究内容主要分为三个层次,最里层围绕(不)安全行为的形成过程、影响因素、规律等展开,中间层主要探究安全氛围、安全能力、领导行为等与(不)安全行为的关系;该领域的研究热点聚焦于建筑工人(不)安全行为及其影响因素、安全文化、安全氛围和安全绩效等主题,研究前沿集中在危险认知、安全态度和安全意识等方向;该领域未来的研究方向可能会深入探讨个体、群体(组织)、环境三因素交互作用下的建筑安全行为,同时仿真与实验的研究方法以及智能化技术在建筑安全中的运用值得期待。     

基于DEMATEL方法的建筑施工安全管理行为影响因素分析

为定量分析建筑施工各种安全管理行为之间的相互影响关系,通过文献与专家调查法对建筑施工安全管理行为进行界定,获取5个维度共13种建筑施工安全管理行为因素,并通过德尔菲法分析安全管理行为因素间的两两关系,采用决策实验室分析(DEMATEL)方法确定各安全管理行为因素之间的影响度(f)和被影响度(e),得到中心度(f+e)和原因度(f-e),从而探析不同安全管理行为因素之间相互影响和作用的特点。结果表明:过程监管和安全投入维度对于建筑施工整个安全管理体系具有举足轻重的地位,其中过程监管维度受其他维度安全管理行为的影响较大,而安全投入维度是其他维度安全管理行为的基础和保障。根据安全管理行为因素之间相互影响和作用的特点,可以更加合理地选择和实施各种安全管理行为,以确保建筑施工的安全。     

基于可解释性机器学习的城市O3驱动因素挖掘

受前体物排放和气象条件等因素共同驱动,大气臭氧(O₃)已成为影响城市夏季环境空气质量的主要污染物.目前物理化学机制驱动的演绎模型在进行O₃污染解析时需要的模型参数众多,运算时效性较差;数据驱动的归纳模型运算效率高,但存在可解释性差等问题.通过建立可解释性数据驱动的Correlation-ML-SHAP模型,Correlation模块挖掘O₃浓度关联影响因素,机器学习ML模块耦合可解释性SHAP模块计算各驱动因素对O₃浓度的影响贡献,实现对驱动因素的定量解析,并以晋城市2021年夏季O₃污染过程为例开展应用研究.结果表明,Correlation-ML-SHAP模型能够挖掘并利用强驱动因素模拟O₃浓度和量化影响贡献,其中ML模块采用XGBoost模型模拟准确度最佳. 2021年夏季晋城市O₃污染强驱动因素为：气温、日照强度、湿度和前体物排放水平,贡献权重为：32.1%、 21.3%、 16.5%和15.6%,其中气温、日照强度和前体物排放...     

肝素钠生产废水处理及蛋白回收

肝素钠生产废水中Cl-含量及盐度均较多,并且w(蛋白质)为1.68%,ρ(COD_Cr)为31 968 mg/g,处理难度大.为探究其净化和回收蛋白的方法,首先对FeCl₃·6H₂O、FeSO₄·7H₂O、KAl(SO₄)·12H₂O进行粗筛,选择FeCl₃·6H₂O为无害蛋白絮凝剂;再通过单因素试验和Box-Benhnken-Design响应面法,考察了FeCl₃·6H₂O投加量、膨润土投加量、硅藻土投加量及pH对蛋白沉淀量的影响及交互作用;建立了蛋白回收的数学模型.结果表明,各因素对蛋白沉淀量的影响为:X₂X₄(硅藻土投加量与pH的交互项)>X₄(硅藻土投加量)>X₁X₃(FeCl₃·6H₂O投加量与膨润土的交互项)>X₁(FeCl₃·6H₂O投加量)>X₁X₄(FeCl₃·6H₂O投加量与硅藻土投加量的交互项);在最佳反应条件(pH为7.5,FeCl₃·6H₂O添加量为0.38%,膨润土投加量为1.90%,硅藻土添加量为4.25%)下蛋白沉淀量达0.82%,与预测值的偏差为3.50%.研究显示,在最佳反应条件下COD_Cr去除率达80.94%,减轻了废水后期的处理难度.      

新生代建筑工人不安全行为的诱发因素与干预对策研究

基于事故致因理论和社会交换理论,运用扎根理论研究方法,通过深度访谈从个体、组织和管理、环境三个层面识别出新生代建筑工人不安全行为的13个诱发因素,并运用专家打分法确定出诱发因素间的相互影响程度,综合运用DEMATEL-ISM方法构建了多层递阶结构模型,确定出诱发因素间的层次结构和作用机制,进而提出了新生代建筑工人不安全...     

基于小波变换的山西省PM2.5污染特征及影响因素

基于山西省11城市2015～2019年PM_2.5日均浓度、社会影响因素数据和气象数据,利用小波变换确定PM_2.5浓度周期,通过Spearman相关性和小波相干谱分别探究PM_2.5与社会影响因素和气象因素的关联,确定PM_2.5长短周期管控的主要影响因子.结果表明,2015～2017年山西省PM_2.5浓度年均值呈上升趋势,年均上升率为4.3%, 2018～2019年呈下降趋势,年均下降率为4.2%;ρ(PM_2.5)月均值呈“U”型分布,1月最高(95μg·m^-3), 8月最低(34μg·m^-3),冬季均值约为夏季的2倍;临汾等南部城市ρ(PM_2.5)均值为62μg·m^-3,大同等北部城市均值为45μg·m^-3,空间上呈南高北低.11城市PM_2.5浓度存在显著周期性变化,主要周期包括293 d左右的长周期和27 d左右的短周期.其中...     

北京市2020年春节期间空气质量影响因素分析

2020年春节期间由于新冠肺炎疫情的大范围暴发,包括北京在内的多个城市经济社会活动较长时间处于低水平状态。但是在此期间,北京市出现了两次(农历正月初二至初六、正月十六至十九)污染水平不逊于往年的重污染天气,成为社会各界关注的焦点。本文以北京市2016-2020年春节期间的空气质量为研究对象,首先运用多元线性回归法判断了气象因素以及经济和社会活动因素对四类污染物(PM_2.5、PM₁₀、NO_2和SO₂)的影响程度,进一步研究了在2020年春节期间的两次重污染时段内各个因素对PM_2.5的影响程度,最后运用双重差分法评估春节期间的疫情管控措施对北京市空气质量产生的影响。多元线性回归结果显示在2016-2020年春节期间:(1)气象因素对北京市的PM_2.5、PM₁₀、NO₂和SO₂四类污染物浓度的影响占主导地位,其中温度、湿度与四类污染物浓度变化均显著正相关,气压和降水与四类污染物浓度变化均显著负相关;(2)经济活动水平与NO₂浓度水平有显著正相关关系,说明随着经济活动水平强度的降低和交通流量的下降,NO₂浓度呈现出降低趋势,而PM_2.5、PM₁₀和SO₂与经济活动水平分别有正相关、正相关和负相关关系,但并不显著;(3)从社会活动来看,燃放烟花爆竹会增大PM_2.5、PM₁₀和SO₂浓度,同时假期变量对PM_2.5和SO₂的浓度变化也存在显著正向影响。对于2020年春节期间的两次重污染过程来说,气象依然是主要影响因素,但是各因素的贡献值有所不同;春节期间经济活动水平对正月初二至初六重污染过程的贡献较小(2%),而对正月十六至十九有明显的负影响(-20%)。双重差分法评估结果显示,疫情管控对PM₁₀和NO₂有缓解效果,而对PM_2.5和SO₂未见明显影响,这表示疫情管控措施对空气质量施加了影响。本文不仅识别出了春节期间气象因素、经济社会活动与北京市四类污染物浓度之间的关系,有助于厘清各因素对空气质量产生影响的方式,而且对进一步改善北京市及京津冀地区的空气质量具有重要启示意义。     

山东省AQI、颗粒物和臭氧时空演化特征及关键影响因素识别分析

山东省空气质量存在明显的时空差异,并受气象和社会经济因子等的综合影响.为了解山东省空气质量指数(AQI)以及颗粒物和臭氧(O₃)浓度等时空演化特征,探究颗粒物与O₃浓度之间的协同关系,基于山东省16个地级市2013年12月—2021年12月的AQI和空气污染物(SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀)浓度数据与同期的气象数据、工业及生活污染物(氨氮、SO₂、氮氧化物和烟尘、粉尘等)排放量和社会经济数据,运用R语言和ArcGIS对各地区AQI与PM_2.5和O₃浓度等的时间和空间变化特征及关键影响因素识别分析.结果表明：(1)山东省AQI和空气污染物浓度具有明显的月际、季节和年际变化特征以及地区性差异.鲁东地区各季节空气质量明显优于鲁西地区,呈现由东向西空气污染愈加严重的趋势. PM_2.5浓度呈鲁西地区最高,鲁中、鲁南和鲁北地区次之,鲁东地区...     

大气中过氧化氢的生成、污染特征及其影响因素

过氧化氢(H₂O₂)是自由基的源和汇,是对流层大气中重要的氧化剂. 采用文献研究法对1990年以来H₂O₂的文献进行搜集整理,对其生成途径、污染特征及其影响因素进行了研究. 结果表明:H₂O₂在大气、云水和颗粒物中均有存在,大气中的H₂O₂主要通过O₃和甲醛光解、VOC同OH·/O₃等反应生成. 大气中φ(H₂O₂)一般在nd～8×10-9内波动,晴天φ(H₂O₂)呈早晚低、午后高的日变化特征;φ(H₂O₂)随φ(O₃)、太阳辐射和气温的增加而升高,随φ(NO_x)、φ(VOCs)和相对湿度的升高而降低;H₂O₂氧化SO₂为SO₄2-是液相化学中最重要的反应,可以导致酸沉降以及二次气溶胶浓度的升高. 在气相光化学反应中,H₂O₂/HNO₃(体积分数比)可以指示O₃生成是VOCs控制还是NO_x控制. 今后需对OH·浓度、NO₂和O₃的光解速率等影响H₂O₂关键因素开展监测研究,此外,还需对我国特殊大气环境下H₂O₂对SO₄2-生成的贡献、不同地区H₂O₂/HNO₃指示O₃生成对NO_x或VOCs敏感性等方面开展更多的研究.      

Fenton法处理黄连素废水试验

采用Fenton氧化法处理黄连素成品母液废水,考察初始pH、反应温度、反应时间、c(H₂O₂)以及c(FeSO₄)对处理效果的影响. 通过正交试验分析了该法的作用机理,确定了反应过程中的关键控制因素.结果表明,Fenton法处理黄连素成品母液废水时,影响其COD_Cr去除率的因素依次为反应温度、c(H₂O₂)、初始pH、c(FeSO₄)以及反应时间. 通过单因素试验确定其主要影响因素的最佳水平:初始pH为2,反应温度为40 ℃,反应时间为30 min,c(H₂O₂)为0.24 mol/L,c(FeSO₄)为10 mmol/L. 该条件下COD_Cr和黄连素的去除率可分别达到44.1%和96.2%,ρ(BOD₅)/ρ(COD_Cr)由小于0.05提高到0.3,废水可生化性显著提高.      

建筑施工企业安全氛围与建筑工人安全行为的关系探讨

建筑业伤亡率高的最根本原因是管理不善。本文综述了国内外关于建筑施工企业安全氛围和建筑工人安全行为的研究概况,介绍了安全氛围的定义、测量、维度等,探索了建筑施工企业安全氛围与工人安全行为关系的结构模型,并针对我国建筑工人中农民工占主要比例和建筑行业安全生产形势严峻、安全氛围差等状况,展望了今后适合我国国情的该领域的研究方向。     

典型热带海滨城市臭氧污染特征与成因分析

为深入探究典型热带海滨城市环境空气臭氧(O₃)污染特征与成因,于2019年6～10月在海南省海口市城区站点开展O₃及其前体物观测实验,较为全面地分析了O₃污染特征,基于观测的模型(OBM)识别了O₃生成控制区,分析了O₃前体物敏感性,并开展了O₃前体物减排效果评估.结果表明：(1)海口市O₃污染主要出现在9月和10月,观测期间O₃日最大8h滑动平均值范围为39～190μg·m^-3,O₃日变化呈单峰型,于14:00左右达到峰值.(2)海口市超标日NO_x和VOCs浓度高于达标日,前体物浓度的升高是导致O₃污染的内在因素,同时O₃污染受区域传输影响,污染物主要来自于海口市东北部地区.(3)海口市O₃生成处于VOCs和NO_x协同控制区.9～10月O₃     

重庆缙云山针阔混交林地土壤呼吸速率及温度敏感性特征分析

以重庆缙云山亚热带针阔混交林为研究区,研究了土壤呼吸及其Q₁₀(温度敏感性系数,指温度增加10℃所造成的呼吸速率改变的商)的时间变异特征,并深入分析二者受土壤温度、湿度变化的影响. 2011年4—12月采用LI-8100二氧化碳通量测量系统观测选取样地的R_S (土壤呼吸速率)、土壤5cm深处的T₅(土壤温度)和W₅(土壤湿度),分析R_S与Q₁₀的变化规律;同时利用单一和二元混合模型探讨T₅和W₅对R_S、Q₁₀的影响. 结果表明:①在观测期内R_S和T₅月均值均呈单峰曲线变化;R_S的变化范围在(1.38±0.15)~(3.94±0.21)μmol/(m2·s)之间,T₅的变化范围在(9.28±0.65)～(22.99±1.14)℃之间;由于受到自然降水影响,W₅的月际变化不规律. ②Q₁₀季节差异明显,最大值(3.31)出现在春季,观测期内的平均值为2.01. ③R_S与T₅之间呈显著正相关(P<0.05),与W₅的关系不明显(P>0.05);R_S与T₅、W₅的关系模型拟合度分别为87%和26%;T₅与W₅的复合模型对R_S的变化解释能力为89%,高于单一模型. ④影响Q₁₀的主要因素是T₅,其次为W₅.      

机器学习耦合受体模型揭示驱动因素对PM2.5的影响

PM_2.5主要受排放源、大气化学、气象条件等驱动因素的非线性影响,了解驱动因素对PM_2.5浓度的影响十分重要. 本研究基于南开大学大气环境综合观测超级站的逐时在线观测数据,耦合机器学习方法和受体模型,揭示了驱动因素的重要性以及对PM_2.5浓度的影响. 结果表明:① 2018年11月—2020年10月观测地点的PM_2.5浓度范围为3.21~291.80 μg/m3,采暖季PM_2.5浓度和化学组分均高于非采暖季. ②使用受体模型解析PM_2.5的来源及其贡献,发现观测期间二次源的贡献率(44.7%)最高,其他依次为燃煤源(23.6%)、机动车排放源(11.0%)、扬尘源(9.9%)、生物质燃烧源(7.2%),工业源的贡献率(3.6%)最小. ③利用随机森林-SHAP模型量化排放源、大气氧化能力、气象条件等驱动因素对PM_2.5浓度的影响,发现观测期间排放源对PM_2.5浓度的影响程度为54.3%,高于其他驱动因素;气象条件对PM_2.5浓度的影响程度次之,为32.4%;大气氧化能力对PM_2.5浓度的影响程度相对较低,为13.3%. 在采暖季和非采暖季,各驱动因素对PM_2.5浓度的重要性在排序上没有变化,然而驱动因素对PM_2.5浓度的影响程度有所不同. 采暖季排放源对PM_2.5浓度的影响程度高于非采暖季,采暖季大气压对PM_2.5浓度的影响程度低于非采暖季. 研究显示,排放源对PM_2.5的影响相对较大,气象条件和大气氧化能力对PM_2.5浓度的影响也不容忽视.      

气象因素对北京市大气颗粒物浓度影响的非参数分析

利用2005年9月—2006年9月北京市大气颗粒物分级(不同粒径)监测资料和同期分时段气象观测数据,采用非参数分析(Spearman秩相关系数)法对北京市3种粒径大气颗粒物在不同季节的浓度水平与气象因素的影响进行了研究.结果表明:不同季节影响颗粒物质量浓度的气象因素各不相同;春季ρ(PM_2.5),ρ(PM2.5～10)和ρ(PM₁₀₎都与气压呈显著负相关;夏季颗粒物质量浓度受降水影响很大;秋、冬季ρ(PM_2.5)和ρ(PM₁₀₎均与日照时数呈显著负相关;冬季ρ(PM_2.5),ρ(PM_2.5～10)和ρ(PM10)均与平均风速呈显著负相关,与气温、相对湿度呈显著正相关. 细粒子和粗粒子质量浓度对气象因素变化的响应程度也有较大区别. 春、夏季地面平均风速对粗粒子质量浓度的影响比细粒子显著,ρ(PM_2.5)/ρ(PM₁₀₎随风速增加而增大;秋季日照时数对细粒子质量浓度的影响比粗粒子更显著,ρ(PM_2.5)/ρ(PM₁₀₎随日照时数增加而减小;冬季相对湿度对粗粒子质量浓度的影响比细粒子显著,ρ(PM_2.5)/ρ(PM₁₀₎随相对湿度增加而减小.