《Biomimetics》：Learning from Nature: A Biomimetic Network Framework for Occupational Health and Safety Research
编辑推荐：
职业健康与安全（Occupational Health and Safety, OHS）研究长期依赖两种理解伤害的方式：一种追溯事故背后的条件链，另一种从大量记录案例中预测事件结局。两者均将事件周围的因素视为指向结果的输入，却均未追问：在整批记录中，风险类别之
职业健康与安全（Occupational Health and Safety, OHS）研究长期依赖两种理解伤害的方式：一种追溯事故背后的条件链，另一种从大量记录案例中预测事件结局。两者均将事件周围的因素视为指向结果的输入，却均未追问：在整批记录中，风险类别之间如何相互组织，而不依赖任何单一结局。本文通过仿生学（biomimicry）填补这一空白，以生命系统组织其相互作用的方式为模板，解读安全数据中风险的组织方式。生态学家长期描述两类不同实体如何通过二分网络（bipartite network）相互连接，并发展出一套紧凑的结构测度体系，涵盖相互作用是否集中于共享核心或分隔为不同模块、哪些类别具有专一性（specialization）而哪些占据主导地位，以及系统在部分组分被移除时的响应方式。职业安全数据契合这一生物学模板，因为安全机构记录的分类字段天然配对为同样的两集合形式。本研究将上述生态学测度迁移至安全记录，阐明各测度对应的安全研究问题，并展示其在建筑、采矿、制造及医疗保健领域的应用。随后，一项实例研究将完整流程应用于包含158,396条医疗伤害记录的公开数据集，构建二分矩阵并对照零模型（null model）解读其嵌套性（nestedness）、模块性（modularity）、专一性及鲁棒性（robustness），证明该方法可在真实行政数据上端到端运行。研究将该成果定位为一项拟议框架及其可行性论证，而非经过验证的方法，并主张这种源自自然的结构性解读是对因果与预测传统的补充而非替代。
论文解读：仿生网络框架下的职业健康与安全风险结构分析
一、研究背景与问题
职业伤害与疾病持续以公共卫生统计难以传达的规模发生。传统安全规程、检查与合规体系未能弥合这一差距，部分原因在于它们倾向于在伤害发生后被动反应，而非预判其下一出现位置。职业健康与安全（OHS）研究的核心任务，是在伤害发生前充分理解产生伤害的条件。长期以来，该领域形成两大研究传统：因果传统以事故致因模型（如Rasmussen、Hollnagel、Perrow、Leveson、Dekker等提出的系统模型）解释事故如何发生；预测传统则借助统计与机器学习方法，从大规模行政数据中训练分类器预测伤害严重度、类型或事故类别。两者均将因素视为指向结果的输入，却均未回答一个基本的结构性问题：在整批记录中，风险类别之间如何相互组织，而不依赖任何单一结局。既有网络方法虽已应用于事故数据，但多为一模网络（one-mode network）中的中心性与社区检测，未处理两类类别集合的配对结构。本文提出以群落生态学中成熟的二分网络分析工具填补这一空白，作为第三种观察视角，补充而非替代因果与预测传统。
二、研究内容与结论
研究人员构建了一个仿生网络框架，将生态学中用于描述两类实体间相互作用的二分网络测度体系迁移至职业安全数据。其核心逻辑在于：安全机构记录的分类字段天然配对为两集合形式，如行业与伤害事件、职业与伤害源、身体部位与伤害性质，这与生态学中植物与传粉者、宿主与寄生虫的二分网络结构同构。研究将生态学测度按三类问题组织：结构架构（嵌套性NODF、模块性Q）、节点位置（专一性d′、网络专一性H2′、强度strength、度degree）以及损失响应（鲁棒性R）。研究通过建筑、采矿、制造、医疗保健四个领域的示例说明框架的应用，并以美国职业安全与健康管理局（OSHA）2023年公开的医疗保健与社会援助行业（NAICS 62）158,396条伤害记录完成端到端实例验证。结果表明该框架可运行于真实行政数据，其结构解读与既有分类方法互补而非重复。
三、关键技术方法
研究人员采用的主要技术方法包括：二分网络建模（将记录字段配对为加权矩阵）、嵌套性测度（NODF及加权形式WNODF）、模块性检测（适用于加权二分数据的模块划分算法）、专一性测度（基于信息论的H2′与d′）、中心性测度（强度与度）、鲁棒性分析（顺序移除节点并追踪次级灭绝曲线），以及固定边际零模型（1000次随机化）用于显著性检验。数据来源为OSHA Injury Tracking Application 2023年公开数据，限定NAICS 62部门，保留四个字段均有效的158,396条记录。
四、研究结果
4.1 数据与矩阵构建。 从158,396条记录构建四个二分矩阵：来源×伤害性质（M1）、来源×事件（M2）、性质×事件（M3）、职业大类×来源（M4），矩阵一侧含23至60个类别。
4.2 网络级结构。 四个矩阵均呈强嵌套性（NODF介于0.66至0.89，z值均高于8），表明少数常见类别构成核心，稀有类别附着于该核心。模块性Q值较低（0.11至0.19），但四个矩阵中三个显著高于零模型，表明存在弱但显著的模块分组。专一性H2′差异明显：来源×事件最高（0.70），职业大类×来源最低（0.085），后者连接度最高（0.59）。
4.3 节点级角色。 来源侧，传染性与寄生性病原体（代码53）d′达0.978且强度约29,100例，兼具高专一性与高负荷；他人（代码57）强度最大（约50,900例）但d′仅0.23，属中心但非专一。性质侧，病毒性疾病（代码32）d′为0.983且强度约28,700例；其他创伤性损伤（代码19）连接全部60个来源但d′仅0.152。稀有类别如环境条件效应（代码17）d′达0.75但强度仅69例，提示高d′可能为稀疏数据伪象。
4.4 鲁棒性。 随机移除下R介于0.86至0.93，定向移除（先移除连接最多的类别）下R降至0.52至0.70，表明少数高连接类别承载大部分连通性。
4.5 结构解读的增量价值。 与频率统计、卡方检验、关联规则挖掘对比，网络方法描述整体排列而非单格异常，二者互补。
4.6 多层耦合解读。 同一来源类别在不同层中的强度一致但度不同，如传染性病原体在职业层几乎饱和但在事件层仅约三分之一，表明专一性依赖于所观察的关系维度。
五、讨论与结论
研究讨论指出，框架的主要价值在于提供因果与预测传统之外的第三种视角，即描述风险类别的整体排列；其局限在于结构描述而非因果解释、继承记录偏差、单二分网络仅为快照，并需注意行政记录的再识别风险。研究提出四个未来方向：时间动态分析、多层网络扩展、与预测及因果工具整合验证、以及稀疏矩阵敏感性工具开发。结论部分强调，该框架作为拟议框架与可行性论证，而非已验证的预防工具；结构中心性是否实际降低伤害，仍需以真实干预结果检验。框架的贡献在于提供一种受自然启发的、有纪律的结构性提问方式，揭示安全数据中一直存在但鲜少被追问的风险组织方式。
