《Results in Engineering》：Operationalizing a Swiss Cheese Model-Informed Framework for Fatal-Fall Classification: An Interpretable Machine Learning and Web-Based Decision-Support Approach
编辑推荐：
本研究开发了一种基于可解释机器学习（Interpretable Machine Learning, ML）的方法，并通过用户友好的可部署界面进行操作化实现。研究将瑞士奶酪模型（Swiss Cheese Model, SCM）进行可操作化，从而推进了坠落风险预测
本研究开发了一种基于可解释机器学习（Interpretable Machine Learning, ML）的方法，并通过用户友好的可部署界面进行操作化实现。研究将瑞士奶酪模型（Swiss Cheese Model, SCM）进行可操作化，从而推进了坠落风险预测的发展。研究人员评估了多种机器学习算法，以确定最优的预测模型，并识别出导致致命坠落事故的关键因素。通过将SCM的概念框架与机器学习分类任务相结合，研究人员将14个变量映射到六个防御层中，采用递归特征消除交叉验证（RFECV）进行特征选择，并使用网格搜索（Grid Search）结合合成少数类过采样技术（SMOTE）进行超参数优化。在五种算法（随机森林RF、朴素贝叶斯NB、支持向量机SVM、决策树DT和极限梯度提升XGBoost）中，XGBoost表现最佳，准确率达94.6%。通过SHAP（SHapley Additive exPlanations）分析，研究发现工作高度、工种、不安全行为、项目阶段、热指数和地理分布是最具影响力的预测因子。最终，研究人员将优化后的分类器集成到一个基于Streamlit的网络原型工具中，使非技术用户能够输入现场数据并获得模型驱动的风险评估，从而支持主动式日常安全规划。
一、研究背景与现存问题
建筑业是全球最危险的行业之一，每年约有6万例死亡事故，其中坠落事故占致死事故的很大比例。在美国建筑行业，37.2%的致死事故与坠落有关。预防致命坠落不仅需要识别单一风险因素，更需要理解多个薄弱环节如何在施工安全系统中同时对齐并导致事故发生。现有的事故致因理论中，Heinrich的多米诺骨牌理论将事故解释为一系列失效的连锁反应，而Reason的瑞士奶酪模型（Swiss Cheese Model, SCM）则提供了一种更系统的解释，展示了当多个防御层、屏障和安全措施的薄弱点对齐时，事故如何发生。由于SCM的多层结构与研究中可用的异构施工安全变量更为兼容，并且与研究目标——即整合理论组织与可解释机器学习分析——更加契合，因此本研究选用了SCM作为概念框架。然而，现有基于机器学习的施工安全研究大多侧重于提高预测性能，较少将模型输出与既定的事故致因理论明确关联以提供理论支撑的解释。此外，由于ML模型的复杂性、缺乏可解释性以及缺少用户友好平台，这些模型往往停留在学术层面，未能转化为实际的决策支持工具。为解决上述问题，本研究旨在：(1) 识别与致命坠落分类最相关的显著特征，并在SCM概念层内进行解释；(2) 利用最优ML算法开发并验证高性能的致命坠落分类模型；(3) 创建一个用户友好的网络工具，将模型输出转化为主动安全规划的实用决策支持。
二、研究方法与技术路线
研究采用四步工作流程：数据收集、数据预处理、机器学习模型实施和网络原型实施。数据来源于两个渠道：一是从美国职业安全与健康管理局（OSHA）手动提取了2019年1月至2023年6月间的540份致命事故报告，其中367例涉及致命坠落；二是从美国国家海洋和大气管理局（NOAA）获取对应事故的天气变量，并自动计算热指数（Heat Index）。研究比较了五种常用机器学习算法：随机森林（Random Forest, RF）、朴素贝叶斯（Naive Bayes, NB）、支持向量机（Support Vector Machine, SVM）、决策树（Decision Tree, DT）和极限梯度提升（eXtreme Gradient Boosting, XGBoost）。模型实施阶段包括训练-测试集划分、基于递归特征消除交叉验证（Recursive Feature Elimination with Cross-Validation, RFECV）的特征选择、嵌入在交叉验证管道中的合成少数类过采样技术（Synthetic Minority Oversampling Technique, SMOTE）结合网格搜索（Grid Search）的超参数优化，以及在独立测试集上的最终评估。所有随机过程均使用固定随机种子（random_state=42）控制。编程语言为Python 3.11.5，关键库包括scikit-learn、imbalanced-learn、matplotlib、seaborn、SHAP和Streamlit。
三、研究结果
3.1 数据描述与探索性分析
研究对540份OSHA致命事故报告进行了统计分析。结果显示，在367例致命坠落事故中，最常见的工种是建筑工人（construction laborers），占总数的26.2%，其次是屋顶工（roofers）占20.7%，木匠（carpenters）占8.4%。关于坠落高度，40英尺以上的坠落占比最高，达26.4%。在安全条件方面，未使用个人防坠落系统（PFAS）的案例占41.7%，未使用安全网（safety nets）的占53.7%。项目阶段方面，新建工程（new construction）占68.7%，远高于改建/扩建（alteration/expansion）的19.3%和拆除（demolition）的8.2%。
3.2 机器学习模型比较与选择
研究人员对五种ML算法在默认参数下进行了初步比较，结果显示XGBoost在所有评估指标上表现最优，准确率达90.7%，精确率91.0%，召回率94.0%，F1分数92.5%，AUC值0.89。经过RFECV特征选择和网格搜索超参数优化后，XGBoost的性能进一步提升至94.6%的准确率、95.3%的精确率、97.0%的召回率、96.1%的F1分数和0.93的AUC值。补充的嵌套交叉验证进一步确认了该管线的稳健性。
3.3 特征重要性分析
通过RFECV，研究从14个初始变量中筛选出10个最重要的特征。基于SHAP分析，按贡献度排序的前六个最具影响力特征是：工作高度（working height）、工种（occupation）、不安全行为（unsafe action）、项目阶段（project phase）、热指数（heat index）和地理位置（geographical distribution）。具体而言，工作高度超过40英尺、屋顶工工种、存在不安全行为、处于新建项目阶段、较高的热指数以及特定地理区域（如德克萨斯州和佛罗里达州）与更高的致命坠落概率显著相关。
3.4 SCM框架下的多层级风险解释
研究人员将14个变量映射到SCM的六个概念防御层中：防御/控制层（Defense/Control）包括个人防坠落系统使用情况、安全网使用情况和脚手架安全措施；任务暴露层（Task Exposure）包括工种和工作活动类型；物理工作环境层（Physical Work Environment）包括工作高度和坠落来源；项目背景层（Project Context）包括项目阶段和北美产业分类体系代码（NAICS Code）；工人相关因素层（Worker-Related Factors）包括年龄和不安全行为；环境暴露层（Environmental Exposure）包括季节、地理位置、温度和热指数。SHAP分析表明，物理工作环境层和任务暴露层对致命坠落的预测贡献最大。
四、讨论与结论
讨论部分指出，本研究的创新之处在于将SCM多层事故致因视角与可解释机器学习及面向从业者的决策支持原型相结合。研究结果证实了工作高度作为最强预测因子的主导作用，这与以往研究一致。同时，不安全行为的识别强调了安全培训和行为干预的重要性。值得注意的是，热指数作为环境因素被纳入模型并显示出显著影响，这扩展了对气候条件与坠落风险关系的认识。项目阶段的显著贡献表明，不同施工阶段应采取差异化的安全管理策略。研究还承认了若干局限性，包括数据来源仅限于美国OSHA报告、样本量相对有限、天气数据匹配可能存在偏差、以及模型是基于历史数据训练的，可能无法完全捕捉未来变化的作业条件。
研究结论部分：本研究成功开发了一个基于瑞士奶酪模型（SCM）的可解释机器学习框架，用于致命建筑坠落事故的分类与预测。通过对五种算法的比较，XGBoost被确定为最优模型，经优化后实现了94.6%的准确率和0.93的AUC值。SHAP分析揭示了工作高度、工种、不安全行为、项目阶段、热指数和地理位置作为关键预测因子的作用。基于Streamlit开发的网络原型工具为非技术用户提供了实用的决策支持功能，使现场安全人员能够输入施工条件并获得模型驱动的风险评估，从而在日常安全规划中优先关注高风险场景。这一理论驱动、经验验证且易于部署的框架为施工安全领域提供了一个连接事故致因理论与实际应用的桥梁。
