商业建筑建造周期中工人不安全行为的影响因素：频率与熵的双重视角 杨云香、 黄瑞、 杨安杰、 陈一 Geboren im Jahr X、 王兰静

《Buildings》：Influencing Factors of Workers’ Unsafe Behaviors in the Construction Cycle of Commercial Building: A Dual Perspective of Frequency and Entropy Yunxiang Yang, Rui Huang, Anjie Yang, Yige Chen and Lanjing Wang

　　**摘要**
建筑工人的不安全行为是商业建筑施工中事故发生的主要原因。尽管传统研究关注违规行为的频率，但往往忽视了这些行为的无序性和不确定性。本研究提出了“不安全行为熵”这一新指标，用以衡量工人行为的无序程度，补充传统的违规频率分析。利用中国武汉一个大规模商业建筑建设项目的数据集，本研究通过偏最小二乘回归（PLSR）和格雷关联分析（GRA）方法，研究了包括安全会议覆盖率和监督密度在内的六个关键因素的影响。PLSR结果表明，每位安全监督人员所监督的工人数量是影响频率和熵的最关键因素，而入场安全教育的覆盖率对行为稳定性有显著影响。GRA分析进一步揭示了管理干预与行为无序性减少之间的高度相关性。研究得出结论，优化安全资源分配和标准化教育流程对于控制人为风险至关重要。通过结合频率和熵的双重视角，本研究为复杂建筑项目的安全管理提供了更全面的框架。

**1. 引言**
建筑行业被全球公认为最危险的行业之一，建筑工人的不安全行为一直被认为是绝大多数事故和死亡事件的直接或主要原因[1,2,3]。在中国，尽管建筑行业的生产安全事故和死亡人数总体呈下降趋势，但由各种不安全行为引发的伤亡仍然占主导地位，这对建筑项目的整个周期安全管理构成了严峻挑战[4]。商业建筑是集多种功能于一体的综合性建筑或综合体，通常包括商业、办公和娱乐设施。其建造过程具有工作量大、持续时间长、人员流动性高、涉及众多参与者、设备复杂以及高风险操作频繁的特点。因此，深入探讨商业建筑施工周期中影响工人不安全行为的各种因素至关重要，特别是在施工周期长、多团队协作、现场环境动态变化以及组织结构复杂的情况下[5,6]。建筑工人的不安全行为受多种因素影响。大量研究表明，不安全行为的成因可以归结为个体、组织和环境三个维度[7,8]。安全意识、监督强度、培训覆盖范围、团队规模和资源分配等因素显著影响工人的行为表现[1,9]。除了这些传统分类之外，越来越多的研究采用数字和智能方法来调查和缓解建筑工人的不安全行为，提供了动态、实时的洞察力，补充了静态的因子分析[10,11,12,13]。然而，现有研究主要关注基于频率的指标——即违规次数或发生率——将不安全行为视为离散的、可计数事件[14,15]。虽然频率指标能够有效反映风险水平，但往往忽略了行为模式在整个生命周期中的无序性、随机性或不确定性[16]。某些低频但高度不确定的行为可能带来更大的系统性风险，而传统的频率指标无法捕捉到这些风险[17]。为了解决这一问题，信息论中的熵概念最近被引入安全科学领域，以量化单个因素和系统状态的不确定性和无序性[18,19,20]。熵衡量的是分布的平均信息含量；对于工人行为而言，不安全行为熵表征了违规模式随时间或不同活动变化的无序程度或不确定性——更高的熵值表示行为更为分散和不稳定。尽管基于熵的方法已在其他风险领域用于建模安全绩效、事故演化和系统不确定性，但其在量化建筑工人不安全行为无序性方面的应用仍然有限。为了解决上述问题，本研究引入了不安全行为熵作为传统违规频率的补充指标，从而从双重角度同时考虑了不安全行为的数量和无序性。因此，本研究的主要研究任务如下：（1）基于不安全行为频率和不安全行为熵建立商业建筑施工中工人不安全行为的双指标框架；（2）利用商业建筑项目的完整周期实证数据，探究六个关键因素对这两个指标的影响；（3）通过偏最小二乘回归（PLSR）确定关键影响因素及其相对效应；（4）通过格雷关联分析（GRA）比较每个因素与不安全行为频率和熵的相关程度，从而在样本量有限、存在不确定性和多重共线性的情况下为安全管理提供更可靠的基础。研究结果表明，影响不安全行为的因素在频率和熵的视角下表现出不同的作用机制。例如，监督密度对减少违规频率的影响更为显著，而入场安全教育的覆盖率和组织规模对降低行为无序性更为有效。因此，仅依靠频率的干预措施不足以完全控制复杂项目中的行为无序性。通过结合这一双重视角，本研究为理解和管理商业建筑施工中的人为风险提供了更全面的框架，并提出了优化安全资源分配和提高安全管理质量的建议。

**2. 数据与方法**
**2.1. 数据收集**
**2.1.1. 项目概况**
本研究的实证数据来自中国湖北省武汉市的一个大规模多功能商业综合体建设项目。该项目位于武昌市中心和白沙洲卫星城的交界处，总建筑面积为149,672.42平方米。共有41个单位参与了该项目建设，为研究不同组织背景下的工人行为提供了多样化的样本。项目设计包括地上四层，配备商业、餐饮和电影院设施；第一地下层主要用作商业空间、超市和停车场；第二地下层作为车库。研究时间跨度为2020年11月至2022年12月，涵盖了五个关键阶段：（1）场地准备；（2）土方挖掘；（3）主体结构施工；（4）初步室内装修；（5）公共区域和中庭的精细装修。这一完整的施工周期确保了数据能够捕捉不同施工环境和时间压力下的不安全行为的动态演变。
**2.1.2. 数据来源和收集程序**
关于安全管理和安全教育的数据来源于项目安全管理部门的档案，包括安全教育会议记录、安全管理人员信息及安全检查记录。参与单位和人员的相关数据来自项目人力资源部门。为确保原始数据的客观性和真实性，项目管理部门实施了严格的标准化收集程序：（1）统一培训和资格认证：所有负责现场检查的安全监督人员都接受了违规判定标准的标准化培训，并通过了一致性评估，以确保违规识别的统一标准，减少主观偏见；（2）三重收集方法：采用“实时现场记录+视频监控抽查+通过安全系统即时报告”的方式，防止漏报或隐瞒；（3）数据验证：安全部门负责人每周对系统生成的记录进行逻辑审核和数据清洗，删除重复项和不完整条目，确保数据完整性。最后，不安全行为、安全管理、安全教育和人力资源相关数据每周进行时间匹配和总结。
**2.1.3. 不安全行为的定义和分类**
在本研究中，不安全行为被定义为建筑工人在施工周期内违反安全法规和制度系统的行为和动作，从而增加项目风险——具体指违规行为。主要依据《建筑工程安全管理规定》[21]、《房屋和市政工程重大事故隐患判定标准（2024年版）》[22]以及《企业职工伤亡事故分类（GB 6441-1986）》[23]，并结合具体项目特点，根据违规行为的性质和发生场景将其分为六类进行统计分析：B1：电气作业违规；B2：热工作业违规；B3：起重作业违规；B4：高空作业违规；B5：个人防护装备（PPE）违规；B6：其他操作违规。该分类系统涵盖了建筑工人面临的所有核心行为风险类型，确保了工程实用性和科学严谨性。

**2.2. 不安全行为熵的概念和计算**
**2.2.1. 理论基础**
熵的概念源自热力学第二定律，用于描述物理系统内的无序或随机程度。本研究将这一物理原理扩展到建筑安全管理领域，以量化工人行为的系统性混乱。不安全行为熵（UBE）的理论基础基于以下四个维度：
（1）建筑工人行为系统的热力学类比：不安全行为熵基于熵的有序-无序逻辑及其在不确定性分析中的应用。在热力学中，熵描述了系统在没有足够外部秩序输入的情况下从相对有序状态向无序状态演变的趋势[24]。在本研究中，这种逻辑被用作分析类比，而非字面意义上的物理等价。在特定的项目和观察周期内，施工现场可以被视为一个相对封闭的组织-行为系统，其中工人、任务、规则、监督和环境条件共同决定了不安全行为的分布。在微观层面上，工人表现出多样的不安全行为；在宏观层面上，这些行为形成了现场不安全行为类型的分布[25]。当监督、培训和程序执行有效时，这种分布相对有序；当这些控制措施减弱时，行为偏离和分散增加。与复杂人类系统中的熵应用一致[26,27,28]，热力学在这里提供了系统演变的逻辑，而信息熵则提供了衡量不安全行为模式无序性的定量基础。
（2）与行为科学和组织安全理论的关联：从行为科学和组织安全理论的角度来看，不安全行为源于个体认知、风险感知、习惯、任务要求和组织控制的相互作用。因此，安全管理不仅要减少违规频率，还要稳定行为模式。监督、安全培训、沟通和程序标准化可以被视为减少行为随机性并保持标准操作程序遵守的有序输入。当这些机制薄弱或不均衡时，不安全行为更容易在不同类别间传播，变得难以预测，对应于更高的熵状态。因此，不安全行为熵具有明确的管理意义：低熵表示更集中、更易于管理的不安全行为模式，而高熵则反映组织约束的削弱、行为异质性的增强以及现场风险的复杂性增加。
（3）不安全行为熵与传统指标的不可替代性：不安全行为熵并非旨在替代违规频率指标，而是对其进行补充。基于频率的指标显示不安全行为的发生频率，但无法判断违规行为是集中在少数重复类别中，还是分散在多个不稳定类别中。信息熵在这里较为适用，因为它衡量了概率分布中的不确定性[24,29]。通过结合发生概率和风险权重，该指标能够捕捉不安全行为的分布无序性和风险重要性。因此，两个现场可能表现出相似的违规次数，但熵值可能有很大差异，这表明行为控制和管理难度不同。这也将本研究与早期仅关注事故演变、一般不确定性或系统级安全性能的熵相关研究区分开来。相比之下，本研究以一线建筑工人的行为安全系统作为分析单位，开发了一个以行为为中心、考虑风险权重的熵指标，具有超出传统指标的额外解释和管理价值。
（4）不安全行为熵作为系统指标的定义：综上所述，本研究正式将不安全行为熵定义为一种定量指标，用于衡量建筑工人行为安全系统内的不确定性和混乱程度。它表征了现场风险的动态复杂性。如方程(1)所示，该指标将各种违规行为的相对频率与其风险权重相结合，从而提供了安全性能的高维表征。????=???3∑????=1????????log?????? （1），其中k是比例常数；n表示不安全行为类型的总数；????代表第i种不安全行为的权重，满足???? ≥ 0且∑????=1???? = 1；????表示第i种不安全行为的相对频率，满足???? ≥ 0且∑????=1???? = 1；a是行为基数。不安全行为熵的下限为0，这种情况发生在只存在一种不安全行为时。这对应于低熵状态，即不安全行为高度集中、相对可预测且易于管理。不安全行为熵的上限取决于具体的权重设置以及不安全行为类型的数量和分布。当不安全行为在给定的权重方案下分布最分散时，达到这一上限。这对应于高熵状态，即工人表现出多种不安全行为，且这些行为的频率相对均衡，表明安全状况更加混乱、不确定且难以管理。

2.2.2 数学计算
为了科学量化建筑工人不安全行为的混乱程度，本研究引入了“不安全行为熵”指数。计算过程分为两个阶段：首先，使用CRITIC方法确定六类违规行为的权重；然后，根据这些权重和行为分布计算每周的不安全行为熵。

2.2.2.1 基于CRITIC方法确定权重
CRITIC方法是由Diakoulaki提出的一种客观加权方法。与其他加权方法相比，CRITIC方法同时捕捉了指标的稳定性和相关性：首先，它量化了指标内部的对比强度；其次，它评估了指标之间的冲突（相关性）。在本研究中，关注建筑工人整个施工周期中的六类违规行为，数据显示出显著的时间波动，且各种违规行为的影响因素之间存在相关性。应用CRITIC方法可以分析单个违规类别的稳定性，同时辨别多种违规类型之间的相关性，从而增强不安全行为熵计算中权重分配的科学严谨性。计算过程如下：
步骤1：数据标准化。对于n个对象中的m个指标，在计算之前需要进行标准化。本研究使用最小-最大归一化方法进行指标标准化：??′???? = (???????min{??????})/max{???????min{??????}（2）。
步骤2：计算对比强度。????=?????????，??=1, 2, …, m（3），其中????是第j个指标的变异系数，????是第j个指标的标准差，???????是第j个指标的平均值。
步骤3：计算指标相关性系数。??????=∑???=1((?????????????})(?????????????))/√∑???=1((?????????????)2)（4），其中?????和?????分别是第j个评估对象的第i个和第j个指标的值；???????和???????是n个对象中第i个和第j个指标的平均值。
步骤4：计算指标的信息量。????= ????∑????=1(1???????)，?? ≠ j；??=1, 2, …, m（5）。
步骤5：确定指标权重。????=????∑????=1????，??=1, 2, …, m（6）。

2.2.2.2 计算不安全行为熵
在确定了每种违规行为的权重????之后，代入数据以计算建筑工人行为系统的每周不安全行为熵。过程如下：
步骤1：参数分配。为了反映建筑工人行为系统中混乱的绝对程度，将比例常数设置为k = 1。当行为对数的基数a = e时，熵与概率分布的不确定性直接相关，其优越的微分属性有助于更容易的分析。
步骤2：计算相对频率。对于第i类违规行为，根据统计汇总的数据计算每周的相对频率????：???? = m??/∑???? = 1（7），其中????表示第i类的违规频率。
步骤3：计算不安全行为熵。将处理后的数据代入方程（1），即可得到每周的不安全行为熵。

2.3 变量定义
为了量化和评估各种因素对商业建筑施工周期中建筑工人不安全行为的影响，本研究建立了一个包含六个自变量和两个因变量的综合评估指标系统，如表1所示。基于文献综述和实际项目管理条件，该系统遵循系统性、代表性和数据可用性的原则，旨在将复杂的现场安全管理活动转化为可量化的指标。表1 显示了变量的定义和类别。具体而言，自变量的选择涵盖了三个关键维度：管理、教育和组织。这些指标以“比率”或“平均值”而非绝对值的形式表述，有效消除了由于项目规模不同而导致的“尺度效应”，并提高了不同规模商业建筑项目研究结果的普适性。

关于因变量，本研究通过不安全行为频率和不安全行为熵的双重视角来描述行为安全系统的状态，超越了传统单维方法的局限性。该指标系统不仅为后续的偏最小二乘回归和灰关联分析提供了数据基础，还确保了研究结论的实际意义。

2.3.1 自变量
（1）建筑团队安全晨会的覆盖率（X1）
建筑团队的安全晨会是指每天在工作开始前由每个团队进行的简短安全通报和风险通知会议。通常由团队领导主持，会议内容包括当天的任务、危险识别、安全操作程序的重申以及紧急措施的说明。建筑团队安全晨会的覆盖率定义为实际召开晨会的团队数量与单位时间（本研究为一周）内团队总数的比率。它反映了团队层面日常安全教育和风险沟通的普及程度。计算公式如下：??1 = ??m/??×100%（8），其中Tm是召开晨会的建筑团队数量，T是建筑团队总数。
（2）入场安全教育的覆盖率（X2）
入场安全教育是指建筑工人进入施工现场前必须接受的强制性安全知识培训和评估。通常包括法律法规、企业安全政策、一般操作程序和紧急知识；工人只有在通过评估后才能开始工作。入场安全教育的覆盖率是实际接受入场安全教育的工人数量与单位时间内需要接受教育的工人总数的比率，反映了岗前安全培训的普及程度。计算公式如下：??2 = ??e/??×100%（9），其中We是参加并通过入场安全教育的工人数量，W是工人总数。
（3）每位安全官员监督的工人数量（X3）
每位安全官员监督的工人数量是指单位时间内每位安全官员负责监督的平均工人数量。该指标反映了安全监督资源的分配密度。由于安全官员是现场安全管理的直接执行者，他们的分配密度显著影响监督的精确性和及时性。计算公式如下：??3 = ????n（10），其中W是工人总数，Sn是安全官员的数量。
（4）每位安全官员的检查次数（X4）
每位安全官员的检查次数是指单位时间内每位安全官员进行的平均现场安全检查次数。检查包括工作区、设备和工人操作行为的常规检查。虽然每位安全官员监督的工人数量反映了静态资源分配，但每位安全官员的检查次数代表了动态的监督行为，体现了现场监督的活跃程度。计算公式如下：??4 = ????n（11），其中I是检查次数，Sn是安全官员的数量。
（5）参与建筑公司的平均规模（X5）
参与建筑公司是指参与项目建造的法人实体，如承包商和分包商。参与建筑公司的平均规模通过单位时间内平均工人数量来衡量，计算方法是将总工人数量除以参与公司的数量。该指标反映了项目组织结构的碎片化程度：较大的平均规模表明单位内的公司数量较少，每单位的工人集中度较高；而较小的规模则表示分包商数量较多，组织管理更为分散。计算公式如下：??5 = ????n（12），其中W是工人总数，Cn是参与公司的数量。
（6）参与建筑团队的平均规模（X6）
团队是施工现场最基本的运营单位，通常由几名工人组成，并由团队领导直接管理。参与建筑团队的平均规模是每团队的平均工人数量，计算方法是将总工人数量除以单位时间内的团队总数。适当的团队规模有助于营造积极的团队安全氛围和互助机制。该指标反映了团队的组织密度和团队领导的管理范围。计算公式如下：??6 = ????（13），其中W是工人总数，T是团队数量。

2.3.2 因变量
（1）不安全行为频率（Y1）
不安全行为频率是指通过现场安全检查、监督记录和安全检查在单位时间内记录的各类违规行为的总数。统计汇总关注第2.1节中确定的六类违规行为。不安全行为频率是所有类型违规行为的累计和，作为衡量不安全行为整体发生率的综合指标。计算公式如下：??1 = ∑???? = 1????（14），其中n表示不安全行为类型的总数，mi表示第i类的违规频率。
（2）不安全行为熵（Y2）
本研究引入不安全行为熵作为指标，用于衡量行为安全系统内的混乱程度，揭示了从行为组合复杂性角度出发的不安全行为的本质特征。较高的熵值表明违规类型分布更为分散和混乱，而较低的熵值则表明违规行为集中在少数几种类型中，具有更单一的行为模式。在本研究中，计算以一周为单位时间；详细定义和计算步骤在2.2节中使用相关公式提供。

2.4 研究假设
基于上述变量定义和理论分析，本研究提出了关于六个自变量对不安全行为频率（Y1）和不安全行为熵（Y2）方向性影响的假设。为便于理解，这些假设分为三个维度：安全教育因素、安全管理因素和群体特征因素。

2.4.1 安全教育因素
安全教育提高了工人的安全意识和行为合规性，因此预计可以减少不安全行为的发生和混乱程度。据此提出以下假设：
H1a. 较高的建筑团队安全晨会覆盖率（X1）与较低的不安全行为频率（Y1）相关。
H1b. 较高的建筑团队安全晨会覆盖率（X1）与较低的不安全行为熵（Y2）相关。
H2a. 较高的入场安全教育覆盖率（X2）与较低的不安全行为频率（Y1）相关。
H2b. 较高的入场安全教育覆盖率（X2）与较低的不安全行为熵（Y2）相关。

2.4.2 安全管理因素
安全管理影响对外部干预在工人行为中的效果。过度的监督工作量可能会削弱有效控制，而更高的检查强度可能有助于减少不安全行为。据此提出以下假设：
H3a. 每位安全官员监督的工人数量较多（X3）与较高的不安全行为频率（Y1）相关。
H3b. 每位安全官员监督的工人数量较多（X3）与较高的不安全行为熵（Y2）相关。
H4a. 每位安全官员的检查次数较多（X4）与较低的不安全行为频率（Y1）相关。
H4b.每位安全官员进行的检查次数越多（X4），不安全行为的熵（Y2）就越低。2.4.3. 组织特征因素 组织特征因素反映了项目参与者的管理基础和资源支持。通常认为，较大的组织规模有助于实现更标准化和更稳定的安全管理。因此，提出了以下假设：H5a. 参与的建筑公司的平均规模越大（X5），不安全行为的频率（Y1）就越低。H5b. 参与的建筑公司的平均规模越大（X5），不安全行为的熵（Y2）就越低。H6a. 参与的建筑团队的平均规模越大（X6），不安全行为的频率（Y1）就越低。H6b. 参与的建筑团队的平均规模越大（X6），不安全行为的熵（Y2）就越低。2.5. 偏最小二乘回归分析 2.5.1. 方法概述和优势 偏最小二乘回归（PLSR）是一种多变量统计分析方法，它结合了主成分分析（PCA）、典型相关分析（CCA）和多元线性回归（MLR）的特点。与传统回归方法相比，PLSR具有几个显著的优势：（1）处理多重共线性：PLSR有效解决了独立变量之间的强相关性问题，这通常会导致普通最小二乘回归（OLSR）中的模型不稳定。（2）小样本下的稳健性：即使样本量相对于变量数量较小时，它也能表现良好，确保数据分析的可靠性。（3）同时分析多个因变量：它可以同时建模多个独立变量和多个因变量之间的关系。在本研究中，不安全行为的影响因素往往相互关联，并存在一定的多重共线性。此外，不安全行为频率和不安全行为熵的双维度建模需要一种能够同时提取对两个指标都有最强解释力的方法。选择PLSR是因为它最大化了从独立变量（X）和因变量（Y）中提取的组分之间的协方差，确保所得模型能够捕捉到施工过程中的最关键的安全驱动因素。2.5.2. 数学计算步骤 步骤1：数据标准化 为了消除不同单位和尺度的影响，将独立变量X和因变量Y标准化： ??0??=??(???????ˉ????)????, (15) ??0=(???????ˉ????)????, (16) 其中??0和??0分别是独立变量矩阵??和因变量矩阵??的标准化矩阵；??????和??????表示第j个独立变量和因变量的第i个观测值；ˉ????和ˉ????表示第j个独立变量和因变量的样本均值；????是第j个变量的标准差。步骤2：组分提取 从E0中提取第一个组分t1，它是独立变量的线性组合（t1 = E0w1），满足：1. t1应尽可能多地携带来自E0的信息（PCA特性）；2. t1应与F0具有最大的相关性（CCA特性），其中t1是从E0中提取的第一个潜在组分；w1是第一个分组的方向向量（权重向量），它是对应于矩阵最大特征值的特征向量。步骤3：回归和残差迭代 建立E0和F0对t1的回归： ??0??=????1?????1+??1, (17) ??0=???1?????1+??1, (18) 其中p1和r1是E0和F0在组分t1上的载荷向量，E1和F1是第一次迭代后的残差矩阵；T表示矩阵的转置。然后，用E1和F1替换E0和F0以提取第二个组分t2，依此类推。步骤4：交叉验证 组分的数量k由交叉有效性??2?确定： ??2???=??1????????????(?)????(??1), (19) 其中k是提取的主组分总数；PRESS(h)是预测的残差平方和，SS(h?1)是误差平方和。通常，如果??2??? ≥??0.0975，则认为新添加的组分是显著的。步骤5：变量重要性在投影（VIP）分析中 VIP值衡量每个Xj对Y的解释力。VIP?? >??1的独立变量通常被认为对因变量有显著影响： ??????????=??√√ √ √ √?????∑????=1??2?(??,????)??2???∑?????=??1??2?(??,????), (20) 其中p是独立变量的总数；??2?(??,????)是因变量??与第?个组分???之间的相关系数的平方，表示第?个组分对Y的解释力；?????是权重向量???的第j个元素，表示第j个变量对第?个组分的贡献。2.6. 格雷关联分析 2.6.1. 方法概述和优势 格雷关联分析（GRA）是由邓久隆教授建立的灰色系统理论的一个分支，是一种多变量统计分析方法，它基于因素发展趋势的相似性或差异来衡量它们之间的关联程度。本研究主要采用GRA的原因如下：（1）数据需求少：与传统统计方法不同，GRA不需要大型样本或特定的概率分布，因此非常适合本研究中使用的104组商业建筑施工周期数据。（2）高稳健性：灰色理论特别适用于“部分信息已知、部分未知”的系统，这与建筑工地的复杂和不确定特性相符。（3）与PLSR的互补性：虽然偏最小二乘回归（PLSR）侧重于线性预测能力和因果影响强度，但GRA从几何角度评估影响因素和目标变量发展趋势的相似程度。通过结合这两种方法，结果可以通过“影响强度”（PLSR）和“进化相似性”（GRA）这两个维度进行交叉验证。2.6.2. 数学计算步骤 步骤1：确定参考序列和比较序列 参考序列（X0）是用于比较的基准。在本研究中，为了识别最能驱动工人行为实际变化的因素，将实际观察到的每周不安全行为频率（Y1）和熵（Y2）的数据序列定义为参考序列。比较序列（Xi）代表可能影响这些输出的六个影响因素（X1至X6）。通过将Xi的轨迹与实际输出X0进行比较，可以识别对观察到的安全结果贡献最大的因素。参考序列： ??0?(??)??=?{??0(1?),????0?(2?),?…,????0?(??)}, (21) 比较序列： ?????(??)??=?{????(1?),??????(2?),…,??????(??)},?????=??1,?2,?…,?6;??????=??1,?2,?…,???, (22) 步骤2：数据标准化 为了消除不同单位和量级的影响，使用最小-最大规范化方法对原始数据进行标准化： ??′???(??)??=???????(??)???????????????????????????????????, (23) 其中??′???(??)是标准化后的值，???????????和???????????分别是第i个因变量的最大值和最小值。步骤3：计算格雷关联系数 计算参考序列和比较序列在点??处的相关系数?????(??)： ?????(??)??=???????????+????????????∣??′0?(??)???′???(??)|+????????????, (24) 其中?????(??)?? =??∣??′0?(??) ???′???(??) ∣是绝对差；?????????和?????????是所有序列之间的最小值和最大值；??是分辨率系数，通常设置为0.5，它在灰色系统理论中提供了适度的区分度并且被广泛接受[30]。步骤4：计算格雷关联等级 格雷关联等级????是所有观测点上系数的平均值（???? =??104）： ??????=??1???∑????=?1?????(??), (25) 较高的????值表示影响因子????与行为输出（Y）之间的相关性更强。3. 结果 3.1. 描述性统计分析 表2展示了从整个施工周期收集的104个样本中得出的六个独立变量（??1–??6）和两个因变量（??1,??2）的描述性统计信息。表2. 独立变量和因变量的描述性统计。就独立变量而言，安全教育指标??1（施工团队安全晨会覆盖率）和??2（入口安全教育覆盖率）分别保持了0.852和0.836的高平均值。它们的变异系数（CV）都低于0.15，表明在整个项目阶段安全培训的实施是稳定的。相比之下，??3（每位安全官员监督的工人数量）和组织规模指标（??5,??6）表现出显著的波动，这与不同施工阶段的演变密切相关。具体来说，??3的平均值为16.237，CV为0.231，表明在施工阶段之间的安全监督压力存在显著差异。??5（参与建筑公司的平均规模）和??6（参与建筑团队的平均规模）的高CV分别为0.629和0.678，反映了从基础阶段到装饰阶段的员工动态调整。就因变量而言，违规频率（??1）在观察期间波动显著，最低为2，最高为45，平均值为23.933，CV为0.433。这表明不安全行为的频率对外部因素非常敏感。不安全行为熵（??2）用于衡量建筑工人行为中的无序程度，平均值为0.271，CV为0.135。这表明尽管违规频率波动剧烈，但行为无序的基础相对稳定。因此，通过后续的PLSR和GRA进一步调查驱动因素是必要的。图1显示了商业建筑项目104周施工周期内不安全行为频率（Y1）和不安全行为熵（Y2）的动态演变趋势。如图1所示，不安全行为频率（Y1）表现出明显的阶段性增长模式。在施工初期（第1-15周），违规数量保持在较低水平（大多低于10起）。随着项目进入主体结构和装饰阶段（第20-104周），Y1显示出显著的上升趋势，在中期到后期多次超过40起的阈值。这表明随着施工复杂性的增加和涉及多个工种的交叉工作的频率增加，不安全行为的发生显著增加。相比之下，不安全行为熵（Y2）显示出不同的演变逻辑。在前15周，Y2表现出剧烈波动，呈现出明显的“深V形”模式（介于0.10到0.28之间）。这表明虽然在初期违规的绝对数量较低，但行为类型表现出高度的不稳定性，反映了安全管理在开始时的高度随机性和不确定性。第20周之后，尽管Y1继续上升，但Y2逐渐稳定在一个高水平（保持在0.25到0.30之间）。这种现象揭示了行为无序的“饱和效应”：随着施工进入高峰期，不安全行为不仅在数量上增加，而且在其分类分布上也趋于多样化和持续无序。3.2. 多重共线性诊断测试 为了确保数学模型的可靠性，本研究对六个独立变量（??1–??6）进行了多重共线性测试。如表3所示，皮尔逊相关分析表明几个预测变量之间存在相关性。具体来说，??1和??2之间的相关系数达到0.919，而??1和??6之间的相关系数为0.703。根据测试标准，相关系数超过0.8通常表明存在潜在的多重共线性问题。此外，本研究还计算了方差膨胀因子（VIF）和容忍度来量化变量之间的重叠程度。结果显示，??1和??2的VIF值分别为8.564和9.359，相应的容忍度值分别为0.117和0.107。尽管这些值略低于放宽的VIF = 10的阈值，但它们显著超过了严格的VIF = 5的限度，且容忍度值接近0.1 [31]。表3. 独立变量的相关矩阵和多重共线性诊断。高皮尔逊相关系数和高VIF值的结合证实了数据中存在多重共线性。这种预测变量之间的冗余可能导致传统普通最小二乘回归（OLSR）中的系数估计不稳定和统计功效降低。因此，本研究采用偏最小二乘回归（PLSR）和格雷关联分析（GRA）来有效消除共线性的影响，并确保研究结果的稳健性。3.3. 偏最小二乘回归结果 3.3.1. 模型拟合和主成分提取 本研究通过解释力（??2）和预测相关性（??2）综合评估了PLSR模型的拟合质量。如表4所示，前两个潜在组分的提取累计解释了独立变量（??）总方差的62.2%。第一个和第二个组成部分分别解释了因变量（??）中30.8%和16.8%的方差，累积的??2值为0.476。根据评估标准[32]——其中??2值0.25、0.50和0.75分别对应于弱、中等和较强的解释力水平，而??2值超过0.25在社会科学和行为科学背景下被归类为具有显著的解释力——该模型表现出中等的解释力。这表明所选的六个影响因素（??1–??6）有效地捕捉了不安全行为频率和不安全行为熵的变化。表4显示了模型拟合度和内部质量指标。此外，通过交叉验证统计量??2?验证了模型的预测准确性。根据表4的结果，前两个组成部分的??2值分别为0.253和0.127。根据评估标准[32]，当??23 > 0时表明具有实际预测意义，当??23 > 0.25时表示具有中等预测相关性，该模型显示出良好的泛化能力。值得注意的是，从第三个组成部分开始，单个步骤的??2值变为负数（?0.140），且??2的增加幅度可以忽略不计（仅0.018）。因此，本研究仅保留前两个组成部分，以便在模型简洁性和预测性能之间取得最佳平衡，同时有效避免过拟合。

3.3.2 回归系数和变量重要性
表5显示了自变量和因变量之间的标准化回归系数，揭示了各种影响因素如何影响不安全行为频率（??1）和不安全行为熵（??2）的机制。结果表明，??3（每位安全官员监督的工人数量）是唯一一个对??1（系数=0.478）和??2（系数=0.529）都有显著正面影响的因素。这表明，增加监督工作量不仅会导致违规行为频率的增加，还会显著加剧建筑工人行为的混乱。

关于??1，因素??2（入口安全教育的覆盖率，?0.212）、??5（参与施工公司的平均规模，?0.170）和??6（参与施工团队的平均规模，?0.155）表现出明显的负相关。这表明加强安全教育和维持适当的组织规模有助于减少违规行为的发生。对于??2维度，??4（每位安全官员的检查次数，?0.163）显示出最强的抑制效应，表明频繁的检查能够有效调节行为分布并减少不安全行为熵。值得注意的是，尽管??1和??6对??2的系数较小，但它们是正数，这反映了这些因素在控制行为混乱方面与控制违规频率有不同的逻辑。

为了确定建筑工人不安全行为的关键驱动因素，本研究计算了每个潜在影响因素的变量重要性（VIP）指标。根据既定的学术标准，VIP值大于1.0表示该变量对模型有显著的解释贡献，并被认为是关键因素；VIP值在0.8到1.0之间表示中等重要性；而VIP值小于0.8则表示影响较小[33,34]。如图2所示，累积组成部分（第2组件）内各种因素的重要性呈现出明显的梯度分布。每位安全官员监督的工人数量（??3）的VIP值为1.586，显著超过了1.0的阈值，这表明它是影响商业建筑施工周期中工人行为的最关键因素。入口安全教育的覆盖率（??2）、参与施工公司的平均规模（??5）、参与施工团队的平均规模（??6）以及施工团队安全晨会的覆盖率（??1）的VIP值在0.851到0.970之间，显示出中等的影响力，是不可忽视的辅助因素。相比之下，每位安全官员的检查次数（??4）的VIP值仅为0.465，表明其在当前模型中对解释不安全行为频率和不安全行为熵的能力相对较弱。这些结果强调，优化安全监督比例（??3）在减少不安全行为的发生率和混乱程度方面至关重要。

3.4. 格兰关系分析结果
为了进一步探索影响因素与工人不安全行为之间的复杂关系，本研究进行了格兰关系度（GRA）分析。结果总结在表6和图3中，展示了X1–X6与两个指标：不安全行为频率（Y1）和不安全行为熵（Y2）之间的相关程度。关于不安全行为频率（Y1），每位安全官员监督的工人数量（X3）表现出最高的格兰关系度（0.781），其次是施工团队安全晨会的覆盖率（X1）（0.656）。这表明监督密度是影响违规行为发生频率的关键因素。在不安全行为熵（Y2）方面，入口安全教育的覆盖率（X2）（0.645）和施工团队安全晨会的覆盖率（X1）（0.618）排名最高。这表明，虽然监督可以限制违规行为的数量，但教育和培训在减少行为混乱和随机性方面更为有效。

值得注意的是，GRA和PLSR分析的结果具有一致性。在PLSR模型中，X3也显示出最高的VIP值（1.586），并且对Y1和Y2都有显著的正面影响系数，而X2对Y2的调节作用也得到了两种方法的确认。统计基础的PLSR方法与系统基础的GRA方法之间结果的趋同反映了本研究结果的稳健性：优化每位安全官员监督的工人数量（X3）和提高入口安全教育的覆盖率（X2）的质量是控制商业建筑施工周期中不安全行为频率和不安全行为熵的双重核心策略。

4. 讨论
4.1 不安全行为频率和熵的比较分析
描述性统计结果表明，不安全行为频率（??1）和不安全行为熵（??2）表现出不同的动态特征。在104周的整个施工周期中，??1波动剧烈（范围从2到45次，平均值=23.933，变异系数=0.433），表明频率对外部因素（如施工阶段转换和人员规模变化）非常敏感。相比之下，不安全行为熵（??2）表现出较强的稳定性（平均值=0.271，变异系数=0.135），并在大约第20周后稳定在高海拔值0.25到0.30之间。即使在高峰期频率持续增加，??2在行为混乱方面也表现出“饱和效应”。

这种差异揭示了两个指标之间的根本区别：不安全行为频率（??1）主要描述了不安全行为的数量级（即违规发生的次数），而不安全行为熵（??2）反映了行为的结构随机性和异质性——代表了违规类型分布的混乱程度和不可预测性。高频率并不一定对应于高熵（例如，某些特定类型的违规行为重复发生可以保持低熵）。相反，高熵意味着违规行为是“随机分布的”，这显著增加了预防的难度和安全管理成本。最近的研究表明，不安全行为通常表现出复杂的因果关系，而不仅仅是简单的线性累积；忽视多样性和混乱的维度可能会掩盖行为安全系统内的关键前兆[1]。

PLSR和GRA进一步证实了这两个指标驱动机制的差异。这一发现与本研究新提出的假设框架也是一致的。特别是，结果确认了相同的影响因素可能对不安全行为频率和不安全行为熵产生不同的影响强度，从而支持了六个自变量在两个行为维度上的作用并不相同的预期。在PLSR模型中，每位安全官员监督的工人数量（??3）对两者都有最强的正面影响（VIP = 1.586，??1系数=0.478，??2系数=0.529），突显了其在同时增加违规数量和混乱程度方面的核心作用。然而，其他因素则表现出差异：入口安全教育的覆盖率（??2）对??1有显著 negative 的抑制效应（?0.212），并与??2的格兰关系度最高（0.645），表明教育干预在减少行为随机性方面更有优势。这种差异为方向性假设提供了初步支持，同时也表明某些关系在一个行为指标上比另一个更明显。这些差异也反映了PLSR和GRA的不同侧重点。PLSR捕捉了在考虑其他变量后的每个预测因子的净线性效应，而GRA关注变化趋势的相似性。因此，一个因素可能显示出高的GRD，但PLSR系数较弱，特别是当其效应是间接或非线性的时候。每位安全官员的检查次数（??4）对??2的抑制效应（?0.163）明显强于其对??1的效应（?0.102），表明高频检查有助于限制违规类型的扩散。

上述结果表明，行为异质性和不可预测性是行为安全系统中的重要特征。仅仅关注不安全行为的表面层次可能无法捕捉到复杂因果链中系统控制失败的早期迹象[35]。通过采用频率和熵的双重表征，本研究为商业建筑施工的安全性提供了多维诊断框架。它帮助管理者区分“高频率但有序”的风险和“低频率但高度随机”的高风险——后者由于其不可预测性，可能带来更大的实际威胁[36]。这种双重视角增强了不安全行为分析的理论深度和指导价值。

4.2 监督密度对不安全行为的主导影响
每位安全官员监督的工人数量（??3）作为影响该项目整个施工周期中不安全行为频率（??1）和不安全行为熵（??2）的显著独立变量而出现。描述性统计数据显示，??3表现出较大的变异性（SD = 3.749，CV = 0.231），反映了从基础阶段到装修阶段的人员压力的动态变化。这种波动程度远高于相对稳定的安全教育指标，如施工团队安全晨会的覆盖率（??1）和入口安全教育的覆盖率（??2），后者的变异系数（CV）均低于0.15。在PLSR模型中，??3是唯一一个对两个因变量都有显著正面影响的独立变量，其回归系数分别为0.478（??1）和0.529（??2）——远高于其他因素。这一结果强烈支持了假设H3a和H3b，即每位安全官员监督的工人数量增加将同时提高不安全行为频率和不安全行为熵。此外，??3的变量重要性（VIP）值（1.586）远超过1.0的阈值，强调了其在模型中的核心解释力。格兰关系度（GRA）分析的结果进一步验证了这一主导地位：??3与不安全行为频率（??1）的格兰关系度最高（0.781），在与不安全行为熵（??2）的关联中排名第三。统计方法（PLSR）和系统方法（GRA）共同表明，监督密度是影响不安全行为数量和混乱程度的主要因素。换句话说，实证证据不仅证实了X3的正面方向效应，还表明该因素在所有六个独立变量中起着主导作用。

从工作需求-资源（JD-R）模型的角度来看，监督密度构成了一个关键的工作需求[37]。当一个安全官员负责过多的建筑工人时，每位工人可获得的实时监控和即时反馈资源变得不足。这创造了一种高需求、低资源的紧张状态，迫使工人更多地依赖自我调节，并倾向于采取不安全的捷径以节省能量。在建筑施工的背景下，这不仅导致了不安全行为频率（??1）的增加，更重要的是，行为多样性和随机性的显著提高（??2），因为未能及时纠正的微小偏差逐渐演化成异质性和混乱的不安全行为模式。近年来的建筑安全实证研究表明，当一线监督人员工作负担过重时，工人的安全合规性会显著下降，不安全行为也变得更加难以预防[14,38]。本研究通过证明监督密度不仅直接影响这些行为的频率，还影响不安全行为熵的维度，进一步扩展了这些发现。这反映了在资源有限的控制条件下行为的“质量恶化”。4.3. 安全教育和组织规模的不同作用描述性统计结果表明，与安全教育相关的指标——特别是施工团队的安全晨会覆盖率（X1，平均值=0.852，标准差=0.104）和入场安全教育覆盖率（X2，平均值=0.836，标准差=0.122）——在整个施工周期内保持了较高的实施水平和较低的波动性。相比之下，组织规模指标（X5：参与施工公司的平均规模，标准差=0.629；X6：参与施工团队的平均规模，标准差=0.678）表现出显著波动，反映了从基础建设阶段到装饰阶段参与实体的动态变化。PLSR模型结果显示，在教育相关因素和规模相关因素中，X2对不安全行为频率（Y1）的负抑制效应最强，标准化系数为-0.212。这一发现支持了假设H2a，并与H2b大体一致，表明入场安全教育在减少不安全行为方面起着重要作用，尽管在PLSR结果中其对频率的直接抑制效应比对其熵的抑制效应更为明显。X5（-0.170）和X6（-0.155）也显示出显著的抑制效应。然而，对于不安全行为熵（Y2），这些因素的抑制作用明显较弱（X2：-0.048；X5：-0.004；X6：0.013）。只有每位安全官员的检查次数（X4：-0.163）对行为紊乱起到了最有效的稳定作用。变量重要性投影（VIP）值进一步证实，X2（0.970）、X5（0.903）和X1（0.851）是具有中等重要性的影响因素，而X4的解释力相对有限（VIP=0.465）。灰关联分析（GRA）从系统角度提供了补充证据。X2和Y2之间的GRD最高（0.645），其次是X1（0.618），表明入场教育和每日晨会在减少不安全行为的随机性和多样性方面发挥着主导作用。相反，组织规模因素（X5，X6）与Y1的相关性更强。总体而言，PLSR和GRA结果支持了与安全教育因素相关的假设（H1a–H2b），特别是较强教育覆盖有助于抑制不安全行为发生和减少行为紊乱的预期。然而，教育变量对熵的影响在关联强度上比在直接回归幅度上体现得更清楚，表明影响途径更为间接或系统化。X1提供了一个典型的例子。尽管X1与Y2的GRD相对较高（0.618），但其PLSR系数仅为0.080。这表明晨会覆盖可能主要通过间接或非线性机制影响不安全行为熵，例如通过提高信息一致性和行为趋同，而这些方面更适合通过GRA来捕捉。这种差异化的模式可以通过社会认知理论和信息处理理论[8,39]进行理论解释。从SCT的角度来看，有效的晨会和入场教育（X1，X2）增强了工人的结果预期和自我效能。通过建立明确的行为规范，这些干预措施有效地缩小了行为选择空间。当工人对安全程序有较高的自我效能时，他们陷入随机不安全行为的可能性降低。因此，不安全行为频率（Y1）减少。在熵方面，这代表了从高无序状态（多种混乱的行为选项）向高有序状态（一致的安全选择）的转变，从而降低了不安全行为熵（Y2）。此外，根据IPT，建筑工人的行为是复杂认知处理的输出。不安全行为往往源于危险感知或记忆恢复的认知失败。高质量的教育和培训帮助工人在长期记忆中建立“结构化的安全图式”。当工人通过这些结构化图式处理现场信息时，“认知噪声”和“信息不确定性”被最小化。由于熵是系统不确定性和无序的直接度量，教育的促进作用减少了认知失败，从而导致了更可预测和稳定的行为模式，表现为不安全行为熵（Y2）的显著下降。相比之下，较大的公司和团队规模（X5，X6）通常意味着更标准化的系统、更明确的责任划分和更好的安全管理系统。因此，它们可以通过层级控制有效抑制违规行为的绝对数量（Y1）。这种模式为假设H5a和H6a提供了明确的支持，而对H5b和H6b的支持则较为有限。也就是说，组织规模在减少不安全行为的数量方面似乎比稳定其内在紊乱方面更为有效。然而，除非辅以高频的现场检查（X4），否则它们抑制内在行为紊乱（Y2）的能力是有限的。这也解释了为什么在本研究中H4b比H4a得到了更强的支持：与直接减少违规次数相比，检查强度似乎更有效地限制了不安全行为的传播、随机性和异质性。最近的研究支持并扩展了这些解释。例如，结构化安全引导和会议已被证明能显著提高危险识别技能并减少不安全行为[40]。同时，多项研究表明，由于在标准化程序和专职安全人员上的投资更大，大型建筑公司通常表现出更好的安全氛围和更低的违规率[41,42]。本研究通过引入熵的视角，进一步揭示了教育覆盖对控制行为紊乱的影响比单纯增加组织规模更为强大。4.4. 对商业建筑建设周期的管理启示首先，优化安全监督资源的分配是控制不安全行为的中心。研究表明，每位安全官员监督的工人数量（??3）是唯一同时导致不安全行为频率（??1）和不安全行为熵（??2）显著增加的因素。管理者应建立动态的安全官员分配机制，以匹配现场实际的施工工人数量，确保监督工作量保持在可控范围内。具体来说，根据观察数据，??3的平均值为16.24，标准差为3.75，我们建议尽可能将工人与安全官员的比例维持在16:1左右。此外，建议将20:1作为临界限制；超过这一比例可能会导致“监督真空”，使得安全官员的工作量变得难以管理，从而引发不安全行为的频率和熵的增加。这是从根本上遏制违规数量增长和行为模式混乱的主要措施。其次，应实施差异化的安全干预策略：(1) 对于不安全行为频率（??1）：管理者应重点加强组织规范和教育。结果表明，参与施工公司的平均规模和参与施工团队的平均规模（??5，??6）可以有效减少违规数量。因此，在选择分包商时应优先考虑具有更成熟管理系统的大型企业。同时，高覆盖率的入场安全教育和施工团队的安全晨会覆盖率（??1）可以从源头上减少不安全行为的发生。(2) 对于不安全行为熵（??2）：管理的重点在于提高行为的可预测性和标准化。结果表明，每位安全官员的检查次数（??4）对减少熵的影响最为显著。通过增加检查的可见性和威慑力，可以有效约束行为的随机性和紊乱。更重要的是，加强入场安全教育的覆盖率（??2）可以为建筑工人建立行为规则基准，从而降低行为混乱的程度。4.5. 限制和未来研究本研究使用大型商业建筑项目的整个周期数据进行实证分析。该数据集包含104周的连续观察，具有高粒度、长时间和强真实性的显著优势，为揭示建筑工人不安全行为的动态演变模式奠定了基础。然而，由于采用单案例研究设计，研究结果的普遍性受到一定限制。商业建筑项目的特点是建设周期长、利益相关者众多、施工技术复杂以及频繁的交叉作业。因此，建筑工人不安全行为的诱因和干预机制可能与其他工程项目（如基础设施或住宅建筑）有所不同。尽管如此，本研究将“不安全行为熵”的概念引入建筑安全管理领域，并开发了一种方法框架，用于从不安全行为频率和熵的双重角度协同分析影响因素。该框架本身具有广泛的适用性，因为其理论基础和定量方法可以转移到其他建筑项目中。本研究揭示的核心机制——即监管密度对不安全行为频率和熵的双重驱动作用，以及教育覆盖对行为稳定性的调节作用——为理解不同背景下不安全行为的形成机制提供了重要参考。基于上述分析，未来的研究可以通过收集各种类型和规模建筑项目的整个周期数据来扩大实证样本的范围，以更全面地揭示不安全行为的普遍模式和情境化特征。此外，可以引入多维数据来丰富分析视角。虽然本研究关注管理、教育和组织层面的宏观因素，但未来的工作可以整合与个别建筑工人相关的微观层面数据（例如心理状态、安全认知、任期限和工作经验）。通过使用多层次模型或结构方程建模，未来的研究可以探索宏观层面管理措施与微观层面个体特征之间的相互作用，从而更全面地阐明不安全行为形成的内在机制。5. 结论本研究的实证分析基于商业建筑项目整个周期收集的数据。结果总体上支持了提出的研究假设，同时表明多个影响因素对不安全行为频率和不安全行为熵有不同的影响。通过创新性地引入“不安全行为熵”概念来衡量工人行为的紊乱程度，并结合偏最小二乘回归（PLSR）和灰关联分析（GRA），本研究从频率和熵的双重角度探讨了建筑工人不安全行为的影响因素。主要结论如下：(1) 提出的“不安全行为熵”是一个稳健有效的指标，用于量化不安全行为的紊乱程度。它为评估现场安全管理质量提供了新的、稳定的度量标准，有效补充了传统的基于频率的评估方法。(2) 在所有研究的因素中，现场监督密度是最具决定性的影响因素。它不仅影响不安全行为的频率，还影响这些行为的紊乱程度。这一结果强烈支持与监督工作量相关的假设。这一发现强调，充足的监督资源是实现施工现场有效行为控制的基石。(3) 不同管理措施影响行为频率和熵的机制各不相同。为了减少不安全行为的数量，加强分包商的管理系统和确保安全教育的质量是非常有效的手段。此外，为了降低不安全行为熵，提高新员工的入场安全教育覆盖率并增加每位安全官员的检查次数更为关键。总体而言，关于教育、管理和组织的假设得到了不同程度的支持，其中一些效果对频率更为显著，而对熵的影响则更为明显。(4) 本研究为管理实践提供了重要启示，建议安全管理应从单纯关注事故数量转向考虑工人行为频率和稳定性的双重管理模型。优化安全监督资源的分配和规范教育流程是控制建筑行业中与人为因素相关的风险的基本策略。尽管有这些发现，但仍存在一些局限性。首先，这些数据来源于一个特定地区的单一案例研究；未来的研究应该通过扩大实证范围，涵盖更多的项目和地理区域来验证这些结论，从而提高结果的普遍性。其次，未来的研究可以尝试量化并考虑建筑工人的个体因素，以进一步加深研究的深度。