煤炭是国家能源安全的重要保障，占一次能源消费总量的55.3%。近年来随着智能化煤矿建设的稳步推进，其产能占比已达60%。然而近两年煤矿事故有所反弹，智能化煤矿也时有事故发生，安全生产面临持续挑战。矿工的不安全行为是导致煤矿事故的主要原因，矿工的风险感知水平则是其是否采取不安全行为的关键因素。先进的风险监测预警系统等智能化技术设备，为智能化煤矿矿工在风险信息接收、判断及响应等方面带来改变。因此，探究智能化背景下矿工风险感知水平的影响因素，为智能化煤矿矿工风险感知水平提升给出相应的建议，对智能化煤矿安全、高效发展具有重要的现实意义。

本文以智能化背景下矿工风险感知水平影响因素为研究对象，引入系统动力学模型对干预策略进行仿真模拟。首先，结合事故致因理论、风险感知理论和行为模式理论，从理论层面分析了矿工风险感知水平与不安全行为的关系；通过对智能化煤矿与矿工风险感知特点分析，应用主成分分析法确定了智能化背景下矿工风险感知水平影响因素，从个体因素、作业因素、管理因素以及组织因素四个层面构建影响因素体系。其次，在确定影响因素的基础上，结合序关系分析法（G1）与基于组合数的有序加权平均算子（COWA）进行主客观组合赋权确定影响因素的权重，并对其进行重要度分析。然后，结合系统动力学原理，构建矿工风险感知水平对不安全行为产生的系统动力学模型，建立个体因素、作业因素、管理因素以及组织因素四个子系统，研究各系统内影响因素之间的相互作用关系，并绘制因果关系图、流图，来确定关键影响因素和筛选矿工不安全行为产生的关键作用路径。最后，以影响因素权重和系统动力学模型为基础，结合实际数据，确定系统动力学方程，运用Vensim软件对每个子系统和关键作用路径进行干预策略仿真模拟，观察矿工风险感知水平与不安全行为水平的变化趋势，比较不同干预策略的作用效果，给出智能化煤矿矿工风险感知水平的提升建议。

研究结果表明，智能化背景下矿工风险感知水平影响因素中，管理因素权重最大，其次是个体因素、作业因素、组织因素；二级影响因素中安全培训、风险监测预警、安全监督、安全制度、安全氛围的权重明显大于其他影响因素；矿工风险感知水平对不安全行为产生具有滞后性，对关键作用路径采取的组合干预策略可以明显提升矿工风险感知水平，降低其不安全行为水平。本文开展智能化背景下矿工风险感知水平影响因素及其干预仿真研究，一定程度上丰富了风险感知理论，明确了智能化背景下矿工风险感知水平的影响因素，通过有效的干预策略，提升矿工风险感知水平，对保障矿工的生命健康，推动智能化煤矿可持续发展具有参考价值。

Coal was recognized as an important safeguard for national energy security, accounting for 55.3% of the total primary energy consumption. With the steady advancement of intelligent coal mine construction in recent years, the production capacity had reached 60%. However, there was a rebound in coal mine accidents in the past two years, with incidents occurring in intelligent coal mines as well, posing continuous challenges to production safety. The unsafe behavior of miners had been identified as a major cause of coal mine accidents, and their level of risk perception was a key factor in whether they engaged in such behaviors. Advanced risk monitoring and early warning systems, as part of intelligent technological equipment, brought about changes in how miners in intelligent coal mines received, judged, and responded to risk information. Thus, exploring the influencing factors of miners' risk perception levels in the context of intelligence and providing recommendations for the improvement of these levels in intelligent coal mines were of significant practical importance for the safe and efficient development of these mines.

The research was aimed at the influencing factors of miners' risk perception levels in the context of intelligence, employing system dynamics models for the simulation of intervention strategies. Accident causation theory, risk perception theory, and behavioral pattern theory were combined to analyze the relationship between miners' risk perception levels and unsafe behaviors from a theoretical perspective. Principal component analysis was utilized to determine the influencing factors of miners' risk perception levels under intelligent conditions, and a system of influencing factors was constructed encompassing individual, operational, managerial, and organizational dimensions. The weights of these factors were then ascertained using a combination of serial correlation analysis method (G1) and Combination Ordered Weighted Averaging (COWA) operator, and an importance analysis of these factors was conducted. System dynamics principles were applied to develop a model that explored the impact of miners' risk perception levels on unsafe behaviors, establishing subsystems for individual, operational, managerial, and organizational factors. The interactions among these factors within each system were studied, and causal loop diagrams and flow diagrams were created to pinpoint key influencing factors and critical action paths for the generation of unsafe behaviors. Based on the weights of the influencing factors and the system dynamics model, and incorporating real data, system dynamics equations were formulated. Vensim software was employed to simulate intervention strategies for each subsystem and for the key action paths, examining the changes in miners' risk perception levels and unsafe behavior trends. The effectiveness of various intervention strategies was compared to offer suggestions for enhancing the risk perception levels of miners in intelligent coal mines.

The findings revealed that within the context of intelligence, managerial factors had the heaviest weight in influencing miners' risk perception levels, followed by individual, operational, and organizational factors. Among the secondary influencing factors, safety training, risk monitoring and early warning, safety supervision, safety regulations, and safety culture had considerably higher weights than other factors. The influence of miners' risk perception levels on unsafe behaviors exhibited a lag, and the application of combined intervention strategies to key action paths significantly improved miners' risk perception levels and reduced unsafe behavior levels. This thesis, which conducted research on the influencing factors and simulation of interventions for miners' risk perception levels in an intelligent context, has enriched risk perception theory, elucidated the influencing factors of miners' risk perception levels under intelligent conditions, and provided strategies that could enhance miners' risk perception levels, thereby contributing to the safeguarding of miners' lives and health and to the sustainable development of intelligent coal mines.

[1] Zhao L T, Liu Z T, Cheng L. How will China's coal industry develop in the future? A quantitative analysis with policy implications[J]. Energy, 2021, 235: 121406.

[2] 王国法, 庞义辉, 任怀伟, 等. 煤炭安全高效综采理论、技术与装备的创新和实践[J]. 煤炭学报, 2018, 43(4): 903-913.

[3] 张立宽. 改革开放40年我国煤炭工业实现三大科技革命[J]. 中国能源, 2018, 40(12): 9-13.

[4] 赵开功, 李彦平. 我国煤炭资源安全现状分析及发展研究[J]. 煤炭工程, 2018, 50(10): 185-189.

[5] 王国法, 杜毅博. 智慧煤矿与智能化开采技术的发展方向[J]. 煤炭科学技术, 2019, 47(1): 1-10.

[6] 范京道. 煤矿智能化开采技术创新与发展[J]. 煤炭科学技术, 2017, 45(09): 65-71.

[7] 杨玉中, 吴立云, 石琴谱. 煤矿工人人为失误的原因及其控制[J]. 矿业安全与环保, 1999(05): 1-3+6-49.

[8] 吕月颖, 季嘉琪, 陈修杰, 等. 基于事故报告挖掘的矿工不安全行为管控[J]. 煤矿安全, 2023, 54(02): 252-256.

[9] Reason J. Human error: models and management[J]. The Western journal of medicine, 2000, 1726(6).

[10] 李盼. 事故体验对矿工不安全行为影响研究[D]. 西安: 西安建筑科技大学, 2021.

[11] 张晶, 栗继祖. 社会支持对智能化矿井矿工违章行为的影响——缓解职业倦怠和心智游移的方法研究[J]. 中国安全生产科学技术, 2021, 17(03): 162-168.

[12] 向明伟. 矿工不安全行为的风险决策仿真研究[D]. 郑州: 华北水利水电大学, 2016.

[13] 吴梦婷. 员工风险感知对其生产不安全行为的影响及监管启示[D]. 上海: 上海交通大学, 2018.

[14] 王旭峰. 基于支持向量机与模糊贝叶斯方法的煤矿事故致因研究[D]. 徐州: 中国矿业大学, 2019.

[15] 付玉平, 陈兆波, 赵振保, 等. 煤矿安全事故的综合致因模型[J]. 安全与环境学报, 1-9.

[16] 李琰, 冯园. 基于TOE框架的煤矿事故致因组态研究[J]. 煤矿安全, 2024, 55(02): 244-249.

[17] 景国勋, 秦洪利, 蒋方. 基于Apriori算法的煤矿安全事故分析[J]. 安全与环境学报, 1-9.

[18] 李红霞, 徐浩冉, 田水承. 组态视角下煤矿事故恶化路径的清晰集定性比较分析[J]. 西安科技大学学报, 2023, 43(02): 247-254.

[19] 张江石, 李泳暾, 秦芳, 等. 煤矿事故因素的自组织映射分布研究[J]. 中国安全科学学报, 2023, 33(02): 9-15.

[20] Jie Dong, Zixiang Gao, Tingting Liu, et al. Analysis of the Causative Mechanism of Coal Mine Safety Accidents Based on STAMP Model[J]. Journal of Mining Engineering and Safety Technology, 2022, 2(1):

[21] 邵良杉, 杨金辉, 赵津. 人因视角下煤矿机电事故致因分析[J]. 煤矿安全, 2024, 55(01): 250-256.

[22] Yuxin Wang, Gui Fu, Qian Lyu, et al. Accident case-driven study on the causal modeling and prevention strategies of coal-mine gas-explosion accidents: A systematic analysis of coal-mine accidents in China[J]. Resources Policy, 2024, 88

[23] Ying Liu, Yunpei Liang, Quangui Li. Cause Analysis of Coal Mine Gas Accidents in China Based on Association Rules[J]. Applied Sciences, 2023, 13(16):

[24] 秦岩, 盛武. 基于D-S证据理论和贝叶斯网络的煤与瓦斯突出事故致因研究[J]. 煤矿安全, 2023, 54(05): 153-160.

[25] 曾一凡, 武强, 赵苏启, 等. 我国煤矿水害事故特征、致因与防治对策[J]. 煤炭科学技术, 2023, 51(07): 1-14.

[26] 田水承, 周鹏辉. 基于文本挖掘的煤矿顶板事故致因网络分析[J]. 煤炭技术, 2023,42 (02): 117-121.

[27] GB/T 6441-1986,企业职工伤亡事故分类[S].

[28] 吴玉华. 矿井作业人员不安全行为特征规律分析[J]. 煤矿安全, 2009, 40(12): 124-128.

[29] 林健. 不安全行为、自制力对煤矿生产系统效率与安全的影响[D]. 太原: 太原理工大学, 2020.

[30] 李书全, 冯雅清, 胡松鹤, 等. 基于社会网络的建筑施工不安全行为关系研究[J]. 中国安全科学学报, 2017, 27(06): 7-12.

[31] 孙林岩. 人因工程[M]. 北京: 中国科学技术出版社, 2001.

[32] 三隅二不二, 金会庆, 等译. 事故预防心理学[M]. 上海: 上海交通大学出版社, 1993.

[33] 陈红.中国煤矿重大事故中的不安全行为研究[M]. 北京: 科学出版社, 2006.

[34] 曹庆仁. 浅析煤矿员工不安全行为的影响因素[J]. 矿业安全与环保, 2006, (06): 80-82.

[35] Bird F E. Management Guide to Loss Control[J]. Alvarez, 1974.

[36] 马跃, 傅贵, 杨卓明. 矿工不安全行为分类及控制对策研究[J]. 煤矿安全, 2014, 45(09): 235-237+241.

[37] 李磊. 矿工不安全行为形成机理及组合干预研究[D]. 西安: 西安科技大学, 2014.

[38] 程恋军, 仲维清. 安全监管影响矿工不安全行为的机理研究[J]. 中国安全科学学报, 2015, 25(01): 16-22.

[39] Jiang Z, Fang D, Zhang M. Understanding the causation of construction workers’ unsafe behaviors based on system dynamics modeling[J]. Journal of Management in Engineering, 2015, 31(6): 04014099.

[40] Meng X B, Yao Q G. Coal mining workers’ unsafe behaviors consequences analysis and occurrence mechanism research[J]. Applied Mechanics and Materials, 2012, 121: 2572-2576.

[41] Fa Ziwei, Li Xinchun, Qiu Zunxiang, et al. From correlation to causality: Path analysis of accident-causing factors in coal mines from the perspective of human, machinery, environment and management[J]. Resources Policy, 2021, 73

[42] 李红霞, 樊恒子, 陈磊, 等. 智慧矿山工人不安全行为影响因素模糊评价[J]. 矿业研究与开发, 2021, 41(01): 39-43.

[43] 田水承, 丁洋. 基于ANP和SD的矿工不安全行为干预策略研究[J]. 煤矿安全, 2023, 54(08): 252-257.

[44] 刘佳, 栗继祖. 基于扎根理论的智能化煤矿矿工安全行为影响因素研究[J]. 矿业研究与开发, 2023, 43(03): 172-178.

[45] Lianhua Cheng, Huimin Guo, Haifei Lin. The influence of leadership behavior on miners’ work safety behavior [J]. Safety Science, 2020, 132:1-7.

[46] Li Y, Wu X, Luo X, et al. Impact of Safety Attitude on the Safety Behavior of Coal miners in China[J]. Sustainability, 2019, 11(22).

[47] 杨雪, 冯念青, 张瀚元, 等. 情感事件视角矿工不安全行为影响因素SD仿真[J]. 煤矿安全, 2020, 51(03): 252-256.

[48] Rulin Liu, Weimin Cheng, Yanbin Yu, et al. An impacting factors analysis of miners' unsafe acts based on HFACS-CM and SEM[J]. Process Safety and Environmental Protection, 2018, 122 221-231.

[49] 宋智芬, 王茜, 栗继祖, 等. 煤矿企业安全氛围与员工安全行为的关系研究[J]. 煤矿安全, 2016, 47(02): 231-233.

[50] 王露露, 尘兴邦, 袁嘉淙, 等. 职业心理学视域下矿工不安全行为研究综述[J]. 中国安全科学学报, 2023, 33(01): 48-55.

[51] Nannan Qu, Han Ren, Qinggui Cao, et al. Risk Analysis and Intervention Policy Research of Miners’ Unsafe Behavior Based on System Dynamics[J]. IOP Conference Series: Earth and Environmental Science, 2019, 371 032076-032076.

[52] Yu K, Cao Q, Xie C, et al. Analysis of intervention strategies for coal miners' unsafe behaviors based on analytic network process and system dynamics[J]. Safety Science, 2019, 118145-157.

[53] 李磊, 田水承. 矿工不安全行为“行为前-行为中-行为后”组合干预研究[J]. 西安科技大学学报, 2016, 36(04): 463-469.

[54] 佟瑞鹏, 范冰倩, 孙宁昊, 等. 地铁施工作业人员不安全行为靶向干预方法[J]. 中国安全科学学报, 2022, 32(06): 10-16.

[55] 张明媛, 徐琴. 施工工人不安全行为传播模型与干预效果分析[J]. 中国安全科学学报, 2021, 31(12): 1-9.

[56] 姚明亮, 祁神军, 张云波, 等. 管理和人因的安全干预对建筑工人不安全行为的影响研究[J]. 安全与环境工程, 2019, 26(04): 140-146.

[57] 范春梅, 贾建民, 李华强. 食品安全事件中的公众风险感知及应对行为研究——以问题奶粉事件为例[J]. 管理评论, 2012(01): 163-168.

[58] 牛莉霞, 杜瑞欣, 夏文德. 作业场所安全标志、风险感知与安全注意力关系[J]. 安全与环境学报, 1-10.

[59] 程方明, 邵杰, 苏畅, 等. 风险感知对非适应性应急疏散行为的影响[J]. 中国安全生产科学技术, 2023, 19(01): 176-182.

[60] 袁轩, 陈瑶, 袁国常. 硐室施工人员风险感知的心理距离模型[J]. 中国安全科学学报, 2019, 29(05): 31-36.

[61] 江新, 陈瑶, 胡文佳, 等. ISM耦合ANP的洞室施工人员风险感知系统脆弱性仿真分析[J]. 中国安全生产科学技术, 2019, 15(03): 121-127.

[62] 李乃文, 房小凯. 睡眠剥夺对矿工风险感知的影响研究：基于生理试验[J]. 安全与环境学报, 1-8.

[63] 李广利. 煤矿员工风险感知量表开发与应用[J]. 中国安全生产科学技术, 2022, 18(07): 128-134.

[64] 李乃文, 王春迪, 牛莉霞. 高危岗位矿工个体风险感知影响因素仿真研究[J]. 中国安全生产科学技术, 2015, 11(09): 184-190.

[65] Zhang Shu, Hua Xinyu, Huang Ganghai, et al. What Influences Miners’ Safety Risk Perception?[J]. International Journal of Environmental Research and Public Health, 2022, 19(7): 3817-3817.

[66] 叶贵, 越宏哲, 杨晶晶, 等. 建筑工人认知水平对不安全行为影响仿真研究[J]. 中国安全科学学报, 2019, 29(09): 36-42.

[67] 成连华, 赵旭东, 郝杰, 等. 建筑工人安全能力对安全行为的影响——信息认知与AMO理论的双重视角[J]. 西安科技大学学报, 2023, 43(03): 449-456.

[68] 韩晓静. 风险偏好对矿工不安全行为的影响研究[D]. 西安: 西安科技大学, 2014.

[69] 肖泽元, 李广利, 寇猛, 等. 风险感知水平对矿工注意力集中能力的影响研究[J]. 技术与创新管理, 2016, 37 (05): 524-528.

[70] 陈伟珂, 武晓燕, 林宏莉. 基于风险决策视角的施工工人不安全行为研究[J]. 项目管理技术, 2017(03): 72-77.

[71] 刘雪莉, 王茜, 栗继祖. 风险感知对不安全行为的影响机制研究[J]. 应用心理学, 1-10.

[72] 李华, 孔娇, 乔峥元, 等. 风险感知对城市景区密集人群不安全行为的影响研究[J]. 安全与环境学报, 2023, 23(07): 2379-2387.

[73] 杨振宏, 李盼, 王文杰. 基于社会认知理论的事故体验对矿工不安全行为影响研究[J]. 安全与环境学报, 2021, 21(04): 1607-1614.

[74] 田水承, 梁清, 王莉, 等. 噪声与矿工行为安全关系研究及防控对策[J]. 西安科技大学学报, 2015, 35(05): 555-560.

[75] 钟茂华, 魏玉东, 范维澄, 等. 事故致因理论综述[J]. 火灾科学, 1999, (03): 38-44.

[76] 刘浩. 造成典型深水钻完井重大事故的不安全行为评价及管理措施研究[D]. 青岛: 中国石油大学(华东), 2019.

[77] 孟博, 刘茂, 李清水, 等. 风险感知理论模型及影响因子分析[J]. 中国安全科学学报, 2010, 20(10): 59-66.

[78] 徐孝娟. 基于S-O-R理论的社交网站用户流失研究[D]. 南京: 南京大学, 2015.

[79] 申雪, 刘驰, 孔宁, 等. 智慧矿山物联网技术发展现状研究[J]. 中国矿业, 2018, 27(07): 120-125+143.

[80] 王国法, 王虹, 任怀伟, 等. 智慧煤矿2025情景目标和发展路径[J]. 煤炭学报, 2018, 43(02).

[81] 王国法, 任怀伟, 庞义辉, 等. 煤矿智能化（初级阶段）技术体系研究与工程进展[J]. 煤炭科学技术, 2020, 48(07).

[82] 张飞, 张豪. 煤矿智能化掘进工作面装备技术研究与应用[J]. 煤矿机械, 2021, 42(11): 155-158.

[83] 王国法, 庞义辉, 刘峰, 等. 智能化煤矿分类、分级评价指标体系[J]. 煤炭科学技术, 2020, 48(03): 1-13.

[84] 王国法. 加快煤矿智能化建设 推进煤炭行业高质量发展[J]. 中国煤炭, 2021, 47(01): 2-10.

[85] 贺春禄. 到2035年中国煤矿要基本实现智能化——解读《关于加快煤矿智能化发展的指导意见》[J]. 高科技与产业化, 2020, (08): 28-31.

[86] 乔卫民. 基于减人提效管理的煤矿智能化建设工作实践[J]. 山东煤炭科技, 2023, 41(01): 203-205.

[87] 燕勇, 栗继祖. 智能化变革背景下矿工工作压力对风险行为的影响研究[J]. 煤矿安全, 2021, 52(08): 253-258.

[88] 栗继祖, 徐丽丽, 郭彦豫, 等. 智能化煤矿监控与巡视作业行为模式与认知机理研究综述[J]. 中国煤炭, 2021, 47(1): 57-63.

[89] 疏礼春. 基于大数据的云边一体化煤矿安全生产风险监测预警平台[J]. 煤矿安全, 2021, 52(05): 144-148.

[90] 何璐翔. 煤矿风险监测预警体系构建及系统应用[J]. 山西焦煤科技, 2022, 46(11): 41-44.

[91] 王斌, 赵文豪, 杨林, 等. 基于大数据分析的煤矿安全生产风险监测预警平台[A] 煤矿自动化与信息化-第29届全国煤矿自动化与信息化学术会议暨第10届中国煤矿信息化与自动化高层论坛论文集[C]. 中国煤炭学会煤矿自动化专业委员会, 2020: 5.

[92] 陈伟, 杨建全, 王超. 煤矿环境风险监测预警系统的关键技术和功能模块[J]. 内蒙古煤炭经济, 2022, (22): 93-95.

[93] 王春迪. 矿工风险感知影响机理研究[D]. 阜新: 辽宁工程技术大学, 2016.

[94] 柴帅. 正念对安全行为的影响及作用机制研究[D]. 太原: 太原理工大学, 2021.

[95] 袁轩, 陈瑶, 袁国常. 硐室施工人员风险感知的心理距离模型[J]. 中国安全科学学报, 2019, 29(05): 31-36.

[96] 王永敬. 基于主成分分析法的煤层瓦斯压力影响因素分析[J]. 煤矿安全, 2014, 45(08): 179-182.

[97] 王建波, 黄文静, 秦娜, 等. 基于组合赋权云模型的地铁盾构施工风险评价[J]. 青岛理工大学学报, 2022, 43(06): 84-91+158.

[98] 黄文静. 地铁隧道盾构法施工安全风险管理研究[D]. 青岛: 青岛理工大学,2023.

[99] 江新, 姚成铭, 杨尚取, 等. 风险感知视角下水库移民社会稳定风险仿真分析[J]. 中国农村水利水电, 2023(10): 217-222+229.

[100] 王耀威. 地下洞室施工人员工作压力对不安全行为的影响研究[D]. 宜昌: 三峡大学, 2023.