基于优先级的遗传算法方法在城市道路网络层面的优化应用 Saha的推广

《Infrastructures》：Network-Level Urban Pavement Optimization Using Priority-Based Genetic Algorithm Methodology Promothes Saha

　　摘要 在智能建筑领域，识别工程-采购-施工（EPC）安全总监所需的能力对于改进人员选拔、培训以及安全治理的有效性至关重要。基于动态能力理论，本研究为智能建筑环境中的EPC安全总监开发了一个探索性的能力框架。研究采用了混合方法设计，结合了结构化的文献回顾、使用CiteSpace的文献计量映射、半结构化访谈、专家评审以及基于问卷的项目筛选。通过对189份有效问卷数据的分析，运用描述性统计、项目分析、Cronbach’s alpha系数和KMO/Bartlett检验来初步评估所提出指标的内部一致性和结构适用性。结果表明，最终保留的探索性框架包括三个高层次维度——感知、抓住机会和重新配置——涵盖了六个能力要素和十八个指标（在将一个趋势感知指标整合到数据分析后）。与传统的安全管理能力框架相比，该框架更加强调数据分析、智能系统的应用以及在数字化项目环境中的跨部门协调。该框架可以作为招聘、培训需求诊断和EPC安全总监绩效评估的角色模板，但在将其作为标准化测量工具之前，还需要进一步的实证验证。

1. 引言
EPC（工程-采购-施工）项目涵盖了设计、采购、施工和交付环节。不同阶段的安全管理需求存在显著差异，这使得风险治理变得复杂且分散。先前的研究已经探讨了石油和天然气EPC合同中的安全成本估算[1]、国际EPC项目中的采购风险传递[2]、中国承包商在国际EPC项目中的关键风险网络[3]，以及使用模糊贝叶斯信念网络对EPC管道项目的生命周期风险评估[4]。最近的EPC + PPP研究表明，私营部门参与者的双重合同地位可能会使综合项目交付中的利益相关者关系和风险应对决策变得复杂[5]。Vo等人（2025年）[6]评估了污水处理厂的复杂EPC项目，而Tang等人（2025年）[7]则识别了一个预制农村住房EPC案例中的利益相关者驱动的安全冲突。尽管取得了这些进展，EPC项目仍然存在阶段性管理和缺乏跨阶段协调机制的问题。

随着智能建筑的出现，安全管理正朝着主动的、技术支持的管控方向发展。交互式管理平台被部署并与硬件-软件基础设施和数据管道集成，以提供系统的现场保障[8,9,10,11,12]。当前的研究重点在于事故预警系统、综合安全管理、结构健康监测和安全路径预测，其中预警系统受到了最多的关注[13]。基于技术的安全管理分为两类：虚拟模拟和感知。虚拟模拟主要支持安全培训、危险区域识别与控制以及现场安全警告[14]。例如，建筑信息模型（BIM）被整合用于创建支持培训的可视化环境，识别边缘开口和临时结构，并实现碰撞模拟、工作空间规划、空间冲突检测和设备干扰监控[15,16]。感知应用包括定位、成像和无线传感器网络[17]。定位技术如GPS、RFID、WLAN、UWB、ZigBee和超声波可以监测人员、设备和危险区域之间的位置关系，以预警风险[18,19,20]。成像传感器结合深度学习和神经网络，可以从捕获的图像或视频中检测人机交互风险，但它们对光线和背景条件较为敏感，目前仍处于发展阶段[21,22]。无线传感器网络利用温度、位移、光纤和压力传感器，无线传输难以观察的指标（如结构应力/应变）的测量数据，主要用于结构健康管理[23,24,25]。总体而言，基于RFID的预警技术相对成熟，无线传感器网络正在发展中，而基于视觉的感知技术随着机器学习和计算机视觉技术的发展而得到增强。因此，智能建筑中的安全人员必须结合传统的控制能力与数字和跨学科协作，安全总监的能力模型应嵌入智能建筑的属性。从能力建模的角度来看，施工管理的有效性越来越被视为由知识、技能和个人属性组成的多维组合，这些属性受到数字化转型的影响[26]。最近的研究表明，项目经理需要具备数字能力、领导能力和协调能力[27]，而安全能力研究进一步强调了利益相关者管理、互动管理和风险评估作为管理安全能力的关键要素[28]。然而，针对智能建筑环境中EPC安全总监的特定角色能力框架尚未得到明确发展。

能力模型被广泛用于识别和评估建筑领域安全管理人员的能力。Pham等人（2025年）[29]使用探索性因子分析-层次分析法（EFA-AHP）方法确定了高层建筑施工期间的关键安全管理因素。Alshammari等人（2025年）[30]分析了管理安全行为如何影响工人的安全意识、能力和安全行为。Guha等人（2025年）[31]强调了施工领导者的情商和能力在项目安全和质量中的作用。最近关于建筑安全领导力的研究进一步表明，领导风格会影响安全氛围和安全结果，其中变革型和特定于安全的领导风格得到了特别的支持[32,33]。现有研究已经考察了安全领导力、管理安全行为、项目管理能力和影响安全绩效的组织因素。然而，仍存在三个局限性：首先，大多数研究关注的是一般建筑管理者或广泛的安全管理角色，而不是负责设计、采购、施工和交付的EPC安全总监；其次，现有框架主要基于传统的建筑环境，因此未能充分反映数字化工作流程、智能监控系统、多源数据集成以及智能建筑中的跨组织协调；第三，以往的研究很少通过明确的理论视角来组织能力要求，以解释安全总监如何识别风险、调动资源并在技术变革下调整组织流程。

在这种背景下，动态能力理论为智能建筑中的能力建模提供了有用的概念基础，因为它强调感知环境变化、通过协调行动抓住机会和威胁，以及根据不确定性重新配置资源和常规。因此，本研究旨在为智能建筑环境中的EPC安全总监开发一个探索性的能力框架。本研究有三个贡献：首先，它将能力研究扩展到了文献中较少关注的具体角色领域；其次，它将动态能力理论与能力识别相结合，将能力要求组织为感知、抓住机会和重新配置三个领域；第三，它突出了以技术为导向的能力——特别是数据分析和智能系统的应用——这些能力在数字化EPC项目中日益重要。本研究提供了一个探索性框架，而不是一个完全验证的测量模型，可以为后续的实证验证和实践能力管理提供支持。

2. 方法论
2.1. 理论基础和建模
动态能力理论最初由Teece提出[34]，该理论关注企业在不确定和快速变化的环境中如何通过感知、抓住机会和重新配置来维持竞争优势[35]。该理论认为，仅基于资源的观点（RBV）无法解释在动态环境下的持续优势，因为资源可能会贬值或过时；动态能力强调资源的整合、更新和重新配置[36,37]。核心维度包括感知（通过信息获取、环境扫描和大数据分析识别风险和机会）、抓住机会（及时制定战略决策、制度设计和资源分配以抓住机会并减轻威胁）以及重新配置（根据外部或技术变化调整组织结构、流程和能力组合，以保持灵活性和适应性）[38,39]。

智能建筑依赖于BIM、物联网（IoT）、大数据、人工智能（AI）和其他数字技术。在本研究中，智能建筑EPC项目被定义为一种安全管理由集成数字环境支持的项目，而不仅仅是依赖孤立的手动检查。要被纳入研究范围，项目必须满足以下四个标准中的至少两个，且至少满足标准（a）或（c）中的一个：(a) 使用BIM或其他数字模型进行安全规划、可视化、碰撞/风险模拟或现场协调；(b) 使用IoT、RFID/UWB、视频分析或其他感知技术进行实时危险监测；(c) 使用集成数据平台或仪表板进行多源安全数据收集、预警和闭环整改；(d) 使用AI、数字孪生、VR/AR或类似的智能工具进行安全培训、决策支持或动态风险预测。这一操作定义被用于访谈筛选和问卷指导，以便受访者根据类似的智能建筑条件来评估能力。因此，安全管理已成为一个动态的、跨学科的、多系统的过程，而不仅仅是一维的、静态的任务。安全总监必须利用动态能力来管理多源不确定性、实时风险和复杂的技术集成。对于风险识别，需要智能监控和数据挖掘以实现快速感知；在决策和执行过程中，跨部门协调和数字工具对于有效实施至关重要；对于适应和重新配置，持续的过程重新设计、技术采用和组织学习推动持续改进。因此，动态能力为构建能力模型和组织其层次结构提供了系统的理论框架。在本研究中，动态能力理论被用作概念性的组织视角，而不是用于统计估计的参数模型。具体来说，感知指的是识别安全风险、技术变化和环境信号的能力；抓住机会指的是调动资源、协调利益相关者并及时做出安全决策的能力；重新配置指的是在项目执行过程中调整流程、知识和技术安排的能力。因此，所提出的能力框架围绕这三个高层次领域进行层次化构建。

为了具体化动态能力的逻辑，我们将EPC安全总监的总体能力水平C表示为三个能力S（感知）、Z（抓住机会）和R（重新配置）的加权函数：
(1) S代表感知，反映了安全总监在智能建筑场景中识别潜在风险和机会的能力；Z代表抓住机会，即在复杂情况下整合资源和执行决策的能力；R代表重新配置，强调在组织结构、流程和技术系统持续变化中的适应性灵活性。为了增强可操作性，该函数可以进一步形式化为线性加权模型：
(2) 这里，α、β和γ分别是感知、抓住机会和重新配置的权重，反映了它们在智能建筑项目中相对的重要性。在实际应用中，这些权重可以通过专家评分、德尔菲方法或基于AHP的成对比较来确定，然后进行归一化，使得α + β + γ = 1。如果有关于安全绩效的纵向数据，也可以通过将能力得分与安全结果（如接近事故频率、整改及时性或事故率）联系起来来进行实证估计。然而，在这项探索性研究中，没有强加统一的权重，因为目的是识别和组织能力指标，而不是生成一个完全校准的评估工具。例如，在高风险建筑工作中，α的权重可能更大，因为早期危险检测至关重要；而在大型跨境EPC项目中，β的权重可能更大，因为资源整合和快速决策更为关键。

2.2. 通过文献回顾和访谈识别能力要素
在本研究中，我们使用CiteSpace分析了过去大约14年（2012-2025年）发表的关于智能建筑安全管理的研究所在的国家和地区。记录来自Web of Science和Google Scholar学术数据库，搜索词与智能建筑、建筑安全、BIM、数字孪生、物联网、人工智能及相关数字技术相关。结果显示，相关研究分布在大约60个国家和地区。中国以213篇论文（占总数的30.08%）领先，其次是美国，有57篇论文（11.52%）。其他主要贡献者包括韩国、澳大利亚和英国。主要贡献者的详细分布如图1所示。颜色渐变从深到浅表示出版时间线，颜色越深表示出版时间越早，颜色越浅表示出版时间越近。年度圆环的大小反映了出版量，较大的圆环表示更高的产出。西班牙、德国、英国和澳大利亚等国家在合作网络中表现出更高的中心性，紫色圆环表示更频繁的机构间合作。中国和美国在整个研究期间都显示出持续的研究产出增长，表明该领域持续的投资和发展。图1显示了智能建筑安全管理研究的地理分布和国家/地区网络。关键词共现和共引用分析被用作识别以技术为导向的能力要素的支持性证据，而非决定性证据。文献计量地图仅在同时满足三个条件时才用于生成项目内容：（1）关键词或主题在智能建造安全文献中反复出现；（2）该主题可以转化为可观察的安全主管工作任务；（3）该主题通过访谈编码或专家评审得到确认。根据这一规则，诸如大数据、机器学习、深度学习和计算机视觉等关键词与数据分析元素相关，因为它们代表了数据清洗、风险建模和预测监控任务；而BIM、数字孪生、物联网（IoT）、虚拟现实/增强现实（VR/AR）和人工智能（AI）等关键词则与智能系统应用元素相关，因为它们代表了技术支持的可视化、感知、模拟和决策支持任务。因此，图1、图2和图3并未被用来机械地推导出框架，而是提供了与文献手动阅读和访谈材料相互印证的外部证据。这些地图是与核心论文和访谈材料的结合解读，而不是单独用来生成能力要素的。数字孪生、BIM、物联网、计算机视觉、机器学习和大数据等术语的反复出现表明，智能建造安全管理越来越依赖于数字感知、数据分析和智能决策支持。通过对483篇相关出版物的共词分析和聚类，本研究识别出了该领域的主要趋势和新兴主题。根据CiteSpace的结果，检测到了116个高频关键词和12个主题群，其中同义词和拼写变体术语被合并以提高准确性。一些关键词因其高共现率而尤为突出。智能建造安全管理中的核心术语包括“数字孪生”、“BIM”、“增强现实”、“人工智能”、“虚拟现实”、“物联网”、“深度学习”、“大数据”、“计算机视觉”和“设备”。这些关键词不仅揭示了当前的技术热点，还追踪了智能建造如何融入安全管理实践的路径。图2展示了高频关键词及其共现网络图；图3展示了共引用主题群。此外，这些关键词可以系统地综合并映射到EPC安全主管能力模型的两个关键要素上。第一个要素是“数据分析”，主要涵盖大数据、深度学习、机器学习和计算机视觉，强调多源数据挖掘、建模和预测，以实现定量风险评估和动态监控；第二个要素是“智能系统应用”，包括数字孪生、BIM、增强现实、虚拟现实、人工智能和物联网，这一要素突出了使用数字孪生、物联网和智能平台在整个建造过程中整合虚拟模拟、实时交互和自动化控制，从而实现智能化、可视化和以早期预警为导向的安全管理。高频关键词的共现网络和共引用主题群分别在图2和图3中展示。

我们选择了中国建筑第八工程局作为示例企业，因为它在数字化实践和安全管理成熟度方面得到了广泛认可。为了捕捉不同的组织视角，我们特意招募了八位受访者：一位项目经理、一位安全管理主管、两位拥有超过20年经验的安全官员以及一位人力资源经理。尽管访谈样本有限，但其目的是为了探索性内容生成而非统计概括。围绕三个主题进行了半结构化的行为事件访谈：（1）智能建造环境中的关键安全事件和决策过程；（2）识别、协调和应对技术驱动的安全风险所需的能力；（3）与学习、数字工具和跨部门协调相关的组织实践。访谈材料和手动保留的文献记录分两个阶段进行编码。首先使用开放式编码提取反复出现的能力表达；然后使用轴向编码将这些表达归类到感知、捕捉和重构三个理论领域中。为了评估编码的可靠性，三位作者独立地对从174份保留记录中随机选取的35份文件（占20.1%）和24个访谈意义单元进行了详细的手动审查，Krippendorff的alpha值为0.812，三位编码者之间的Cohen's kappa值介于0.79到0.86之间，表明有相当高的一致性。分歧在共识会议上进行了讨论，未解决的案例由建筑安全管理专家裁决。最终确定的编码规则随后应用于剩余材料。文献回顾、访谈编码和专家评审相结合，以推导出框架的初步能力要素。

**感知：**智能建造项目具有高度不确定性。现场安全受到天气、材料、设备、人员以及政策和标准变化的影响。因此，安全主管需要敏锐的环境感知能力，并结合数据驱动的分析。

**动态环境感知（Esense）：**通过风险预判、趋势分析和环境扫描快速识别危险和机会。使用Rpre（风险预判）、Ptrend（政策/行业趋势感知）和Escan（现场扫描和实时监控）。

**数据分析（Dana）：**利用大数据、风险建模和多源信息融合来提高识别效率和准确性。在智能建造场景中，传感器和物联网生成的海量实时数据必须经过处理和建模，才能转化为可操作的决策支持。这一维度不仅强调主观敏锐度，还强调客观的技术支持，体现了新的机器-人类混合感知范式。使用Bproc（大数据处理/清洗）、Rmodel（风险预测建模）和Ifusion（多源信息融合）。

**安全审计（Daudit）：**强调定期审查项目安全，确保安全管理系统和标准在整个执行过程中始终合规。随着智能建造技术的快速发展，项目安全管理正从传统的“事后”控制转向过程导向和预测导向的管理。这种转变要求安全主管根据项目实际情况进行动态审查，及时识别潜在风险并采取纠正措施。计算Ccomp（合规审计）、Ffeedback（评估反馈）和Rreport（审计报告）。

**捕捉：**在感知到机会或威胁后，果断的行动和资源分配决定了实施的质量。鉴于EPC项目的规模庞大以及涉及多个利益相关者，安全主管必须展示高效的资源整合、基于证据的领导力和决策能力，以及强大的跨部门协作。

**资源整合（Rinteg）：**不仅涉及整合内部的人力、物资和财务资源，还包括与外部合作伙伴（如供应商和分包商）的协调，以确保在突发事件面前能够迅速响应。使用Schain（供应链协调）、Ccoord（跨领域资源分配）和Cresolv（冲突调解/解决）。

**领导力和决策（Ldec）：**在不确定性下做出基于价值的选择，同时在平衡进度和成本时坚持“安全第一”。使用Dexec（战略决策和执行）、Sjudg（安全优先判断）和Cemerg（应急响应）。

**跨部门协作（Ccoop）：**强调在多学科和跨职能的EPC项目中，安全主管必须利用有效的沟通和协调机制促进信息共享和知识流动，从而减少信息不对称带来的安全风险。使用Tcoord（任务协调）、Ccomm（沟通和谈判）和Pshare（知识和信息共享）。

**重构（Reconfig）：**表示在环境和技术变化中的持续适应和创新。在智能建造环境中，安全管理流程和技术系统必须随着项目阶段和外部条件的变化而不断更新和优化。

**组织学习（Olearn）：**通过培训、反馈循环和制度化学习（例如，事故后回顾和编码改进）促进知识的持续更新。组织学习的一个重要体现是将基于案例的回顾转化为可重复的改进行动。使用Krenew（知识更新）、Etrain（培训和能力构建）和Lfeedback（经验反馈循环）。

**智能系统应用（Isys）：**BIM、物联网和人工智能可以应用于超越基于经验的管理，转向预测性和实时干预（例如，BIM + AI用于动态现场模拟和预防措施）。这一维度强调了安全主管在组织转型和技术领导中的核心作用，既是对抗外部不确定性的保障，也是推动高质量智能建造发展的驱动力。使用Bim（BIM用于安全）、IOTutil（物联网感知和监控）和AIassist（人工智能辅助决策）。

**方程式（3）–（10）**指出了在问卷筛选之前生成的初步能力项目池。由于后续筛选移除了安全审计要素，并将动态环境感知简化为单一保留指标，因此筛选后的能力表达在结果部分报告，而不是在这里。这种分离避免了将初始概念结构与保留的探索性框架混淆。

**2.3. 通过问卷选择能力要素**
2.3.1. 描述性统计
问卷包含三个部分：人口统计（性别、年龄、教育水平、职称、在智能建造或EPC项目中的工作经验年限以及按合同金额划分的项目规模）、对能力指标重要性的感知（5点李克特量表，从“非常不重要”到“非常重要”），以及一个开放式问题，要求受访者识别最具影响力的指标并提供原因。为了提高内容有效性，初步的项目池由建筑安全管理和人力资源管理专家进行了审查，并对措辞清晰度和情境相关性进行了改进。在回答主要量表之前，受访者被要求确认他们的EPC或智能建造项目经验符合第2.1节中所述的操作定义。具体来说，问卷说明列出了四个智能建造标准，并要求受访者参考至少满足两个标准的项目进行回答，包括使用BIM/数字模型或集成安全数据平台。调查通过专业网络向湖北、山东和北京的10家公司的工人、现场管理人员和安全负责人发放，共发放了200份问卷，回收了195份，其中189份有效。受访者中95.77%为男性（反映了行业特征），年龄主要集中在31-50岁之间；86.24%拥有学士学位，59.26%具有工程师职称。工作经验分布均匀，超过5年的占约三分之一，1-3年的也各占约三分之一。项目价值在100万至500万元人民币之间的占最大比例（44.44%）。这些分布为后续分析提供了基础。人口统计详情见图4。

**2.3.2. 初步模型和筛选后模型**
我们首先计算了每个指标的平均值和标准差作为初步筛选步骤。平均得分4.0分或以上被用作一个实用基准，以识别受访者认为相对重要的指标。这个阈值并不是一个独立的决策规则，而是一个初步过滤器，随后会对照理论相关性和内部一致性结果进行验证。因此，平均得分较低的指标并不被绝对地视为不重要，而是被认为在当前样本和分析阶段相对不显著。基于此，Ccomp、Rreport、Ccomm、Escan和Ffeedback被标记为需要进一步审查。评分最高的指标包括Krenew、IOTutil、Dexec、Sjudg和Rmodel，这些指标的标准差也相对较小。24个初始指标和19个保留指标的统计分布分别见图5和图6。

**2.3.3. 可靠性和有效性分析**
使用SPSS Statistics 27，我们评估了初步量表的内部一致性和因子性。可靠性通过校正后的项目-总分相关性（CITC）和Cronbach's alpha来检验，而构念适宜性则通过KMO值和Bartlett的球形度检验进行初步评估。由于本研究的目的是探索性框架开发，这些分析用于筛选和组织项目，而不是用于声称完全的结构验证。Cronbach's alpha用于评估每个高阶维度内的项目是否具有可接受的内部一致性。KMO统计量和Bartlett的检验进一步用于检验相关矩阵是否适合因子分析。使用SPSS，我们评估了量表的可靠性。首先计算了项目间的相关性，移除了异常值，并检查了这些相关性对剩余项目的影响，以获得内部一致性的初步估计。然后计算了可靠性系数（例如Cronbach's α）并检查了项目级别的统计信息，以提供量表可靠性的详细评估。Cronbach's alpha是一种广泛使用的可靠性测试方法。Cronbach's alpha的公式见方程式（12），其中k表示项目数量（指标），si表示项目i的方差，S表示总分（每个受访者的总分）的方差。在本研究中，可靠性是通过Cronbach's alpha计算的。α系数取决于项目数量和项目间的平均相关性：接近1的α值表明项目间的平均相关性较高，内部一致性较强；而接近0的α值则表明相关性较低，内部一致性较差。因此，α是一个有效的可靠性指标。感知、捕捉和重构维度的问卷可靠性统计结果分别列在表1、表2和表3中。

表1. 感知维度的可靠性。
表2. 捕捉维度的可靠性。
表3. 重构维度的可靠性。

Kaiser–Meyer–Olkin（KMO）统计量用于评估变量间简单相关性与偏相关性的比率，以判断数据是否适合进行因子分析。KMO的公式如下（方程13和方程14）：rij表示简单相关性，pij表示相应的偏相关性。在本研究中，我们将KMO > 0.6作为因子分析适用的阈值。Bartlett球形度检验用于判断样本相关矩阵是否接近单位矩阵；其检验统计量如下（方程15）：n表示样本量，p表示变量数量，|R|表示相关矩阵的行列式，χ2近似服从自由度为p(p ? 1)/2的卡方分布。我们将p < 0.05作为变量间存在显著相关性的证据，从而判断数据适合进行因子分析。

如表1和图7所示，初步的感知项目池的Cronbach’s alpha值为0.730。移除项目Rpre后，Cronbach’s alpha值上升至0.810。项目Escan在平均分数筛选阶段已被标记为需要移除。因此，如果保留Dynamic Environmental Sensing作为一个独立元素，那么Esense下将只剩下Ptrend，这将导致Cronbach’s alpha值无法定义，且其概念边界不明确。为避免这个问题，Ptrend被整合到了保留的框架中的Data Analytics部分。因此，保留的感知模块被解释为一个由Ptrend、Bproc、Rmodel和Ifusion组成的数据驱动的感知元素。这种调整提高了模型的简洁性，避免了使用单一项目元素带来的误导，并保持了统计和概念结构的一致性。此时KMO = 0.675，Bartlett检验结果显著（p < 0.001），表明数据适合进行初步的因子分析。

如表2和图8所示，捕捉维度的α值为0.778。尽管移除项目Cemerg后Cronbach’s alpha值上升至0.779，但提升幅度很小，因此决定保留Cemerg。此时KMO = 0.754 > 0.6，p < 0.001，表明数据适合进行因子分析。

从表3和图9可以看出，重构维度的α值为0.757，与捕捉维度相当。由于移除任何项目都不会提高α值，因此所有指标都被保留。有效性检验结果也符合要求：KMO = 0.748 > 0.6，p < 0.001。

指标筛选和可靠性分析最终得到了一个包含三个高阶维度、六个能力元素和十八个指标的探索性框架（图10）。在项目筛选阶段，Ccomp、Rreport、Ccomm、Escan和Ffeedback未达到初步的平均分数标准，因此在理论审查后被移除。在初步感知模块的内部一致性分析中，Rpre的项目-总分相关性较弱，为了提高模型的简洁性也被移除。由于Esense否则将仅由一个指标表示，因此Ptrend被合并到了Data Analytics中。因此，最终的感知维度由四个指标组成，包括政策/行业趋势感知、大数据处理、风险预测建模和多源信息融合。

图7显示了项目删除前后感知维度指标的Cronbach’s alpha值变化情况。

从表3和图9可以看出，重构维度的α值为0.757。由于移除任何项目都不会提高α值，所有指标都被保留。有效性检验结果也符合要求：KMO = 0.748 > 0.6，p < 0.001。

3. 结果
指标筛选和可靠性分析得出了一个包含三个高阶维度、六个能力元素和十八个指标的探索性框架（图10）。在项目筛选阶段，Ccomp、Rreport、Ccomm、Escan和Ffeedback未达到初步的平均分数标准，因此在理论审查后被移除。在初步感知模块的内部一致性分析中，Rpre的项目-总分相关性较弱，为了提高模型的简洁性也被移除。由于Esense将仅由一个指标表示，Ptrend被合并到了Data Analytics中。因此，最终的感知维度由四个指标组成，包括政策/行业趋势感知、大数据处理、风险预测建模和多源信息融合。

图10展示了在智能建造场景下，EPC安全总监的保留探索性能力框架。

4. 讨论
在初步筛选中，Ccomp、Rreport、Ccomm、Escan和Ffeedback的得分低于平均分数阈值（4.0）。这一结果不应被理解为合规审计、报告、沟通、手动检查或反馈在实践中不重要。实际上，在当前的智能建造样本中，这些项目要么相对不那么突出，要么更深入地嵌入到了数字平台、标准化工作流程或更广泛的组织学习流程中。在可靠性分析中，Rpre也被移除，因为它的项目-总分相关性较弱，并且在概念上与趋势感知、风险建模和信息融合有重叠。重要的是，剩余的Ptrend项目并未被作为独立的Esense元素保留，而是被整合到了Data Analytics中，以代表数据驱动的感知中的政策和行业信号部分。这种调整防止了最终框架中包含一个未被充分识别的单一元素，更好地反映了智能建造安全管理中人机结合的特性。

本研究在三个方面扩展了以往的建造安全能力研究：首先，它将分析重点从一般管理能力或传统安全监督转移到了智能建造环境中EPC安全总监的角色特定能力上；其次，通过采用动态能力理论作为概念框架，将能力要求组织为感知、捕捉和重构三个领域，从而将数字风险识别、协调行动和适应性改进联系在一个框架内；第三，该框架明确纳入了技术导向的元素——数据分析和智能系统应用——这些在传统能力模型中不太明显。从实际应用的角度来看，保留的框架可以转化为三个实施工具：首先，它可以通过将六个能力元素转化为行为面试问题和角色要求来指导招聘；其次，它可以通过将当前安全总监的能力与十八个保留的指标进行比较来支持培训需求诊断，特别是在数据分析、物联网/建筑信息模型（BIM）支持的监控和应急决策方面；第三，它可以通过将能力指标与可观察的证据（如仪表板使用、风险模型解读、跨部门协调记录、应急响应及时性和事故后学习成果）联系起来来指导绩效评估。这些应用应根据项目类型和组织成熟度进行调整，不应在进一步验证之前作为通用的通过/失败标准使用。

5. 结论
本研究提出了一个适用于智能建造环境中EPC安全总监的能力模型。基于研究结果和讨论，可以得出以下结论：
(1) 能力体系涵盖三个维度——感知、捕捉和重构——通过六个保留的元素（Dana、Rinteg、Ldec、Ccoop、Olearn、Isys）和十八个指标（Ptrend、Bproc、Rmodel、Ifusion、Schain、Ccoord、Cresolv、Dexec、Sjudg、Cemerg、Tcoord、Pshare、Krenew、Etrain、Lfeedback、Bim、IOTutil、AIassist）来体现。在保留的结构中，Ptrend被整合到了Data Analytics中，而不是作为一个独立的Esense元素。
(2) Ccomp、Rreport、Ccomm、Escan和Ffeedback在初步筛选中被移除，因为它们在智能建造环境中具有制度化和流程化的特性，这些任务主要由数字平台和标准化程序完成。Rpre在可靠性/有效性分析中被移除，因为它的项目-总分相关性较弱，并且依赖于基于经验的判断，这与趋势感知和信息融合有重叠。这些移除提高了框架的可靠性和解释能力，更好地反映了智能建造中能力的技术和系统特征。
(3) 从理论上讲，本研究通过将安全领导力置于数字化支持的EPC交付背景下，并将动态能力理论整合到角色层面的能力识别中，为能力建模文献做出了贡献。在实际应用中，该框架为EPC安全总监的招聘、培训和评估提供了初步基础，特别是在数据分析、智能系统和跨部门协调日益重要的情况下。然而，也应认识到一些局限性：首先，该框架反映了特定的制度、人口统计和国家背景。问卷样本来自湖北、山东和北京的10家公司，其中95.77%为男性，且大部分受访者拥有学士学位；访谈对象来自一家大型中国承包商。这些特征可能反映了当前中国EPC企业的行业特征和数字化实践，但也限制了其在其他国家、小型承包商、女性安全专业人士和不同采购环境中的适用性。其次，抽样策略是有目的性和便利性的，而非概率性的。第三，当前的分析使用了项目筛选、Cronbach’s alpha和KMO/Bartlett检验来构建探索性框架，并未通过因素分析（EFA）、结构方程模型（CFA）或测量不变性检验来验证其稳定性。因此，该框架应被视为一个探索性的、特定于情境的能力框架，而非一个完全验证的模型。未来的研究应进行更大范围的多区域和跨国研究，统计验证维度结构，并考察能力概况与客观安全绩效结果之间的关系。