《Safety》：A Bibliometric Analysis of Industry 4.0 and Occupational Health and Safety: Research Trends and Gaps
编辑推荐：
工业4.0（I4.0）正在通过互联、数据驱动的技术改变工业系统，引发了关于这些发展如何影响职业健康与安全（OHS）的问题。本研究采用多层次文献计量框架，应用于2011年至2025年发表的Scopus记录，调查了I4.0与OHS交叉领域的研究趋势、主题结构和知识
工业4.0（I4.0）正在通过互联、数据驱动的技术改变工业系统，引发了关于这些发展如何影响职业健康与安全（OHS）的问题。本研究采用多层次文献计量框架，应用于2011年至2025年发表的Scopus记录，调查了I4.0与OHS交叉领域的研究趋势、主题结构和知识空白。该分析从I4.0领域的广泛概述转向对特定I4.0–OHS出版物、预防导向研究和新兴风险研究的更聚焦审查。结果表明，OHS在一般I4.0文献中可见性有限，主要在目标子集中更为突出，在这些子集中，数字传感、人工智能、机器学习和沉浸式技术驱动了预防重点研究。相反，新兴风险（如认知负荷、心理社会压力源和人-自主性交互）出现在更小、更分散的聚类中。总体而言，研究结果表明I4.0与OHS之间的关系发展不均，既有成熟的预防机制，也有新风险的概念化处于早期阶段。加强这一领域将需要将人为因素与数字指标相结合，更好地表征新兴风险，并确保数字化转型通过促进安全健康的工作环境来支持可持续发展目标8（SDG 8）。
1.1. Digital Transformation and the Rise of Industry 4.0
工业4.0（I4.0）起源于2011年，通过九大支柱（模拟、物联网（IoT）、系统集成、自主与协作机器人、3D增材制造、网络安全、云计算、增强现实（AR）和大数据）实现数字化转型。这些技术将传统生产任务转变为创新、自主、系统化和互联的过程，对经济增长、创新和竞争力至关重要。工业部门贡献全球GDP的20.9%，制造业就业乘数效应显著，制造业增加值（MVA）占全球GDP的16-17%，并驱动研发投资。
1.2. Environmental Pressures and the Role of Digital Technologies
环境压力是数字化转型的第二大驱动力。工业过程占全球温室气体排放的9%，约6.5 GtCO
2e，水消耗占全球19%，废物产生量巨大。资源密集型行业（如化工、金属、建材等）加速采用数字技术（如IoT、人工智能（AI）、大数据分析、区块链）以提高效率、可持续性和竞争力，并加强环境治理透明度和问责制。
1.3. Industry 4.0 and the Changing Nature of Occupational Risks
I4.0与可持续发展目标8（SDG 8）紧密关联，该目标促进经济增长、生产性就业和体面工作。数字技术重塑工作模式、组织方式和工人对职业健康与安全（OHS）风险的暴露。目标8.8明确要求确保安全健康的工作环境，需评估数字化系统如何重新配置职业风险。以往工业革命初期侧重生产力，安全关注滞后，当前I4.0也需避免类似脱节。
1.4. The Need for Evidence in I4.0 and Occupational Health and Safety
本研究旨在考察I4.0与OHS的交叉研究，并澄清OHS在更广泛I4.0研究格局中的定位。区别于以往聚焦特定技术或行业的综述，本研究引入多层次文献计量框架，从一般I4.0语料库逐步聚焦到更窄、概念更集中的数据集，以结构化方式映射OHS相关研究的可见性、主题集中度和碎片化。研究问题包括：RQ1: I4.0与OHS研究自2011年以来的演变；RQ2: 主题结构、主导聚类和知识趋势；RQ3: 研究空白、未充分研究领域和新兴主题。
2.1. Data Source and Search Strategy
数据来自Scopus数据库，涵盖2011年至2025年发表的英文和西班牙语原创研究论文和综述。Scopus因其全面性和质量控制被选用，提取元数据包括标题、摘要、作者、机构、文献类型、出版年份、关键词、国家等。
2.2. Multilevel Bibliometric Framework
采用多层次框架，逐步缩小分析范围：S1为I4.0总体语料库（28,925篇），S2为明确涉及I4.0与OHS的文献（274篇），S3为预防导向研究（131篇），S4为新兴风险研究（67篇）。每层采用不同共现阈值，以捕获不同粒度概念。
2.3. Data Processing and Analytical Techniques
使用VOSviewer 1.6.20进行共现分析，Bibliometrix 5.3.0进行主题图绘制，并识别聚类。关键词共现阈值根据数据集大小调整：S1阈值50，S2阈值5，S3阈值3，S4阈值2。采用同义词表统一词汇，同时保留区分不同方法论的关键词（如“文献综述”与“系统文献综述”）。
2.4. Methodological Robustness and Validity
通过使用相同搜索字符串、仅清理重复元数据、基于数据集大小调整阈值、依赖已验证软件（VOSviewer和Bibliometrix）确保方法严谨性。
2.5. Limitations
局限性包括：仅依赖Scopus数据库、语言限制（仅英文和西班牙语）、对作者关键词定义敏感、阈值选择导致聚类变化。这些限制不影响有效性，但需在解释结果时考虑。
3.1. Contraction Patterns in the Multilevel Document Sets
多层次框架产生四个互补文档集，呈漏斗状收缩：S1为28,925篇（100%），S2为274篇（0.95%），S3为131篇（0.45%），S4为67篇（0.23%）。从S1到S2减少99%，S2到S3减少52%，S2到S4减少75%。
3.2. Structural Mapping of the Industry 4.0 Literature
S1共现网络（阈值50）显示三个核心聚类和一个外围聚类。红色聚类：应用与管理导向（I4.0、制造、数字技术、创新、循环经济、决策、动态能力、中小企业、COVID-19、SDG）；蓝色聚类：技术基础设施（IoT、网络物理系统（CPS）、区块链、网络安全、隐私、智能合约、云计算、传感器、医疗等）；绿色聚类：数据驱动智能（机器学习、深度学习、强化学习、优化、调度、异常检测、故障检测、计算机视觉、机器人、数字制造、增材制造）。黄色外围聚类：人本与沉浸转型（工业5.0、AR），连接基础设施与自动化集群。OHS未显式出现，但安全间接涉及。
3.3. Structural Mapping of Industry 4.0 and OHS Literature
S2共现网络（阈值5）显示四个聚类：绿色（应用与行业特定：智能工厂、技术、工作场所安全、健康与安全、可持续实践、文献综述、建筑4.0）；黄色（数据导向安全：OHS、IoT、AI、机器学习、风险评估）；红色（人本与培训：工业5.0、虚拟现实（VR）、数字孪生（DT）、人为因素、职业安全、安全管理和可穿戴传感器）；蓝色（协作机器人与人机工程学：人-机器人协作（HRC）、协作机器人、人机工程学）。主题图显示“可持续性”、“数字技术”、“文献综述”和“智能工厂”为驱动主题；“I4.0”、“OHS”、“工业5.0”和“安全”为基础主题；“协作机器人”、“人-机器人交互”等为利基主题；“深度学习”为新兴或衰退主题。
3.4.1. Industry 4.0–OHS-Prevention of Accidents/Risk
S3预防研究共现网络（阈值3）显示五个聚类：红色（I4.0、安全管理、工作场所安全、智能工厂）；蓝色（IoT、AI、机器学习、风险评估、工业安全）；黄色（HRC、人机工程学、安全、人为因素）；紫色（职业安全、可穿戴传感器、健康与安全、系统文献综述、建筑）；绿色（工业5.0、可穿戴技术、AR、智能制造、VR）。预防研究强调数字基础设施、实时监测、预测分析和沉浸式培训。
3.4.2. Industry 4.0–OHS–Emerging Risks
S4新兴风险研究共现网络（阈值2）显示七个聚类：黄色（I4.0、OHS、人为因素、职业风险、压力）；橙色（HRC、协作机器人、心理社会风险、肌肉骨骼疾病）；蓝色（工业5.0、可穿戴传感器、人机工程学、建筑、系统文献综述）；红色（安全、工作场所安全、操作员4.0、工人安全、智能工厂）；粉色（健康与安全、AR、危害、安全、技术）；紫色（职业安全、机器学习、深度学习、传感器、脑电图（EEG）、个人防护装备（PPE）、VR）；绿色（工业物联网（IIoT）、AI、IoT、DT、可穿戴技术）。新兴风险聚类分散，涉及认知、心理社会和交互风险。
4.1. What the Multilevel Evidence Reveals for the Field
多层次证据揭示三个关键见解：第一，OHS并非数字转型的核心，而是外围专业，仅0.95%的I4.0文献明确涉及OHS；第二，当连接存在时，研究聚焦于技术预防方法（IoT、机器学习、AI、可穿戴传感器、VR、AR、DT）以及人-自动化交互（人机工程学、协作机器人）；第三，新兴风险研究尚处早期，主要关注工作场所安全与事故预防，而对认知负荷、心理社会压力源和人-自主性交互的覆盖有限。
4.2. Thematic Consolidation and Blind Spots
S2和S3聚类显示预防研究中传感、分析、决策支持和培训的强连接：IoT和可穿戴传感器实现连续传感，AI和机器学习处理数据解释，风险评估和安全管理支持决策，VR、AR和DT改进培训与设计。相反，S4中认知负荷、心理社会压力源和人-自主性交互等术语分散，表明这些社会技术暴露尚未得到与预防机制同等详细的研究。此外，S2、S3、S4中均未发现生理/位置传感器安全指标与心理工作负荷、疲劳和心理社会风险等验证指标之间有意义的整合，反映出概念空白。
4.3. Implications for Practice and Policy
对从业者而言，S3聚类表明已有足够证据基础实施IoT监控、基于学习的风险评估以及VR、AR和DT在培训与设计中的应用。对监管和标准制定组织而言，S4的主题多样性凸显了对数字化工作环境中新兴风险指导的迫切需求，包括认知和心理社会风险管理、人-机器人协作参数设定以及AI安全决策透明度要求。
4.4. Limitations and Future Sustainability Research Directions
局限性包括单数据库、语言限制、关键词依赖性和阈值敏感性。未来研究方向：第一，加强人为因素与数字痕迹的融合，因为环境、位置和生理传感器很少能与认知负荷、注意力动态或心理社会压力的验证指标对应；第二，协作机器人和自适应自动化需要更精细的人-自主团队模型，超越任务层面探索联合活动、权威梯度和错误恢复；第三，S4的分散性强调建立新兴风险分类和报告标准，以发展共享概念、测量和阈值，减少碎片化。
5. Conclusions
本研究通过多级文献计量框架明确了OHS在I4.0研究格局中的边缘地位，主要出现在明确涉及预防机制和新兴风险的聚焦子集中。OHS虽是数字技术重塑工作环境的基础关切，但在主流I4.0文献中尚未成为横向或结构性维度，而是局限于狭窄、主题分割的研究流。未来需系统整合人为因素到数字系统，改进新兴风险表征，确保AI安全应用透明可问责，以推动OHS从边缘走向结构角色，支持SDG 8目标，实现生产性、安全、可持续的工业现代化。
