强对流天气下建筑工程高处坠落事故成因及路径识别研究*

曾卫华 田仪帅 陈伟 左佳凡 许炜阳

(1.中国市政工程中南设计研究总院有限公司，湖北 武汉 430014；2.武汉理工大学土木工程与建筑学院，湖北 武汉 430070)

0 引言

建筑业是我国支柱产业之一，在快速发展的过程中，虽然各类建设工程安全保护措施与技术不断提高，但高处坠落事故依旧频繁发生。此外，随着全球气候不断恶化，强降雨、龙卷风等极端天气不断对在建工程造成冲击，导致高处坠落事故频发。2015—2022年，我国高处坠落事故发生数量占全国房屋市政工程生产安全事故数量的约50%，其中2021年高处坠落事故数量占比高达59.07%[1]，而强对流天气导致的高处坠落事故正在逐渐增多。因此，科学管控，避免强对流天气施工过程中高处坠落事故发生，是有效降低建筑事故伤亡损失的首要任务。

近年来，国内外学者针对强对流极端天气下建设工程高处坠落事故风险进行了大量研究。周建亮等[2]利用生理指标进行建筑工人高处坠落疲劳实验，黄莺等[3]利用DS证据理论对高处坠落风险进行定量评估，夏杨等[4]利用云-BIM模型结合RFID构建建筑工人高处坠落预警系统，李钰等[5]利用社会系统技术对高处坠落的宏观工效学模型进行分析。也有学者利用模糊分析法[6]、系统事故致因模型[7]、宏观工效学模型[8]、故障树分析方法[9]、结构方程模型[10]、“2-4模型”[11]等方法对强对流天气下高处坠落事故致因进行分析，进而提出相应的管理措施，以降低高处坠落事故的发生。但现有研究较多集中于致因识别、系统仿真模拟、安全风险分析，针对综合致因作用下高处坠落事故的扰动及因素间传递性的研究相对较少。

基于此，本文引入决策试验和评价实验法(Decision Making Trial and Evaluation Laboratory，DEMATEL)、解释结构模型(Interpretative Structural Modeling Method，ISM)、交叉影响矩阵相乘法(Matriced Impacts Corises-multiplication Appliance Classment，MICMAC)分析各事故因素间的因果关系，确定各致因因素间的层级结构，并进行指标间的分类[12-13]。通过搜集1038起高处坠落事故报告，统计各致因因素的发生，在客观数据支撑下采用DEMATEL-ISM-MICMAC确定高处坠落事故致因相互影响的层级结构，在此过程中克服主观判断影响因素之间的关系所带来的误差。以高处坠落事故的致因机理为基础，提出安全投资建议，以期为预防高处坠落事故与提升工程安全效益提供理论依据。

1 DEMATEL-ISM-MICMAC模型构建

DEMATEL、ISM、MICMAC耦合的研究方法目前已经被广泛运用于风险因素识别及风险关系、风险分类的研究[14-15]。其中，DEMATEL可揭示强对流天气下高处坠落系统中各致因因素间的影响关系，确定系统中各风险致因因素间的关联性；而ISM可分析强对流天气下高处坠落系统各致因因素间的关联顺序，将体系内复杂致因关系转化为直观且有层次的多级递阶结构模型；MICMAC可以对高处坠落系统中各致因因素进行分类归纳与分析。集成使用三种方法，构建多层次模型，将强对流天气下高处坠落系统致因因素间的相互关系转化为可以体现事故致因因素间传递路径的层次结构。采用DEMATEL-ISM-MICMAC耦合方法[16-17]，具体过程如图1所示。

图1 强对流天气下高处坠落DEMATEL-ISM-MICMAC系统

2 强对流天气下高处坠落事故风险因素识别

强对流天气下建筑工程风险因素复杂，客观、全面地识别建筑工程高处坠落事故风险因素十分重要。通过搜集国家应急管理局、各地应急管理局发布的相关高处坠落事故报告，以及安全生产相关网站在2005—2022年发布的建筑工程高处坠落事故报告，共搜集1038份较为典型的高处坠落事件，剔除事故信息不完整报告208份，最终筛选出强降雨、龙卷风等强对流天气引发的共87起高处坠落事件事故报告。

基于事故报告中的致因分析，结合CNKI、Web of Science等数据库中相关文献的标准术语，将事故报告与文献中的相似因素进行组合，总结出高处坠落事故的主要致因因素。发现高处坠落事故致因主要来源于人、物、管理、环境4个方面[18]，最终将建筑工程高处坠落事故致因系统分为人、物、管理、环境4个子系统和19项致因因素，见表1。

表1 建筑工程高处坠落事故致因因素

3 强对流天气下高处坠落事故致因路径识别与分析

3.1 DEMATEL-ISM模型构建与分析

(1)确定直接影响矩阵A。在充分总结强降雨导致的建筑工程高处坠落事故报告的基础上，结合表1中所提炼的高处坠落事故关键致因，统计87起事故中致因因素发生的频次，并确定各致因因素间的相互影响关系。通过邀请5名专家，其中高校专家3名，建设单位专家2名，针对87起事故报告进行研判。专家针对事故中各致因因素间的相互影响关系进行探讨，同一起事故中若致因ai对aj有直接影响，则aij记为1，否则记为0。通过对87起事故进行频次统计，最终整理得到直接影响矩阵A(表2)。

表2 直接影响矩阵A

A=(aij)m×n

(1)

(2)建立综合影响矩阵。首先，对直接影响矩阵A结合式(2)进行规范化处理，计算得到规范影响矩阵B；其次，综合考虑高处坠落风险致因因素间的直接影响和间接影响，结合式(3)进行直接影响和间接影响累计方式，计算得到综合影响矩阵T，综合影响矩阵表示系统因素间直接和间接的综合效应。

(2)

T=B(E-B)-1

(3)

(3)简化风险系统结构。需要引入恰当阈值λ，去除整体影响矩阵中存在的冗杂信息。根据数据分布特点，分别取λ为0.08、0.12、0.16，得到不同阈值下的节点度变化曲线(图2)。当λ=0.12时，节点度适中，所取λ确定的节点度排名靠前的评价指标与DEMATEL法所得中心度排名较高的关键指标基本一致，且所得高处坠落事故影响因素模型层级划分结构符合实际(表3)。根据式(4)构建邻接矩阵，将初始邻接矩阵加上单位矩阵后，根据布尔代数的幂运算得到最终的可达矩阵R，从而求出可达集P(Si)、先行集Q(Si)和交集R(Si)，进而提取相应影响因素，最终演化得到DEMATEL-ISM层级结构(图3)。

(4)

图2 不同阈值下的节点度变化曲线

图3 建筑工程高处坠落事故影响因素DEMATEL-ISM层级结构

表3 当λ选取0.12可达矩阵

由图3可知，第1层代表事故的直接致因，主要与物的不安全状态有关，其次涉及自然环境的影响与人员无资质上岗专业、技术水平低，会直接导致高处坠落事故发生，应将其作为事故预警事件予以重点关注。

第2～3层是事故的过渡致因，包括违规/违章操作，安全隐患排查/整改不足，施工设计缺陷、施工方案缺失，生理不适、健康状况不佳，高处作业经验缺乏，现场作业环境混乱7个因素，该类因素的发生将迅速传递至直接致因，导致事故发生，是不容忽视的潜在致因。

第4～5层是事故的深层致因，尤其是施工安全行为监管不力作为致因系统的第二个输入端，可见与管理相关的各个因素发生后，将直接或间接传递至人的不安全行为或物的不安全状态，实现管理致因与人、物致因的耦合，从而导致高处坠落事故发生；最底层因素企业安全管理制度不健全或管理形式化作为致因系统的根本输入端，其一旦发生，将不断作用于各致因因素，导致高处坠落事故。因此，企业应提高对安全管理制度重要性的认识，杜绝管理形式化，切实将安全管理落到实处，才能从根本上降低高处坠落事故发生概率。由以上分析可知，目前，我国对于高处坠落事故的预防应以优化管理措施和人员管理为主，从而预防物的不安全状态。同时，应做好强对流天气的应急措施，以预防高处坠落事故的发生。

3.2 MICMAC模型构建与分析

为了深层次划分强对流天气下高处坠落事故各致因因素的地位与作用，分析因素的驱动力和依赖性，构建MICMAC模型。基于可达矩阵，计算因素xi的驱动力Di和依赖度Ri。Di越大，说明因素xi对其他因素的影响程度较大；Ri越大，说明xi对其他影响因素的依附性越大。驱动力与依赖性计算公式见式(5)～式(6)，绘制驱动性与依赖度图(图4)。

(5)

图4 强对流天气下高处坠落风险致因驱动力-依赖性图

(6)

从图4可以出看，致因因素主要出现在独立因素和自主因素及链接因素三个象限当中。其中，C8具有较高的驱动力，B1具有较强的依赖度。而D1驱动力和依赖性均较弱，说明强对流天气下环境的影响往往是较为独立的，虽然其驱动力与依赖性较弱，但其对于整个体系的影响是较大的。整个体系中并不存在处于第一象限的因素，说明在整个强对流天气引发的高处坠落事故中，并未有较难处理的因素，也进一步说明，只要针对ISM层级结构上的因素进行逐步处理，即可极大地减少强对流天气引发的高处坠落事故。因此，应重点提高施工人员强对流天气的应急处置水平。另外，政府安全主管部门也需进一步加强对辖区在建工程的安全监管，以减少强对流天气引发的高处坠落事故。

4 结语

强对流天气引发的高处坠落事故作为一个复杂事故系统，其致因因素复杂且相互关联。基于DEMATEL-ISM-MICMAC对致因因素的层级性、关联性进行分析，剖析高处坠落事故致因因素间的相互影响关系和层次结构，并对风险致因进行分类。其中，企业安全管理制度不健全或管理形式化是底层核心致因，强对流天气影响与设备老化是典型的表层致因，操作失误与应急水平较低是重点链接因素。企业后期需加强强对流天气下高处施工安全教育培训，提高应急处置能力，减少建设安全事故。考虑到高处坠落事故具有时变效应，后期可以进一步扩大搜集事故案例数量，使各因素间的相互关联关系和事故致因路径传递得更精确，也可联用贝叶斯网络或机器学习算法进一步探究风险致因间的动态复杂关系。