基于OSHA数据的建筑工伤严重程度多因素协同风险机器学习分析与交互效应研究
《Scientific Reports》:A multi-algorithm ordinal classification framework with SHAP interaction analysis for predicting construction accident injury severity
【字体:
大
中
小
】
时间:2026年09月23日
来源:Scientific Reports 4.9
编辑推荐:
建筑领域仍是全球最危险的行业之一,然而现有的关于建筑工伤严重程度的机器学习研究大多集中在单一因素的重要性排名上,很少量化各风险因素如何组合以放大死亡概率。本研究开发了一个统一的有序分类框架,基于美国职业安全与健康管理局(OSHA)数据库2015年至2023年间提取的22,21
建筑领域仍是全球最危险的行业之一,然而现有的关于建筑工伤严重程度的机器学习研究大多集中在单一因素的重要性排名上,很少量化各风险因素如何组合以放大死亡概率。本研究开发了一个统一的有序分类框架,基于美国职业安全与健康管理局(OSHA)数据库2015年至2023年间提取的22,217条建筑事故记录,对七种机器学习算法进行了基准测试。所有模型均应用了逆频率类加权,三种梯度提升学习器还额外使用了自定义焦点损失目标函数来处理类别不平衡问题。所有模型均通过贝叶斯优化结合五折交叉验证进行调优,最佳模型使用TreeSHAP全局重要性、依赖关系和成对交互值进行解释。CatBoost取得了最佳性能(准确率=0.768,宏F1=0.721,AUC-ROC=0.862,死亡召回率=0.663),在死亡召回率方面较逻辑回归基线提升了6.1个百分点(相对提升10.1%)。高处作业、坠落事件、坠落高度、公司规模和施工阶段被列为前五大预测因子。两个成对交互——公司规模×施工阶段和涉高作业×暖季(春季/夏季)——产生了单一因素分析无法察觉的协同风险关联。最强交互(公司规模×施工阶段)的联合SHAP贡献值达到线性可加预期值的1.8倍。这些关联被转化为四条基于阈值的应急管理规则,其经验死亡率从12.8%到21.3%不等(为样本基线死亡率7.6%的1.7倍至2.8倍),可为事故后严重程度分级、针对性监管检查优先排序以及风险评级保险承保提供支持。该分析流程设计为可迁移至其他国家事故数据库,但特征特定阈值需重新校准以考虑监管制度、劳动力构成和气候条件的差异。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号