GB6441-86《企业职工伤亡事故分类标准》
中华人民共和国国家标准UDC 658.382 GB6441—86
（国家标准局1986年5月31日发布1987年2月1日起实施）
企业职工伤亡事故分类标准
本标准是劳动安全管理的基础标准，适用于企业职工伤亡事故统计工作。
１.名词、术语
１.１伤亡事故：指企业职工在生产劳动过程中，发生的人身伤害（以下简称伤害）、急性中毒（以下简称中毒）。
１．２损失工作日：指被伤害者失能的工作时间。
１．３暂时性失能伤害：指伤害及中毒者暂时不能从事原岗位工作的伤害。
１．４永久性部分失能伤害：指伤害及中毒者肢体或某些器官部分功能不可逆的丧失的伤害。
１．５永久性全失能伤害：指除死亡外，一次事故中，受伤者造成完全残废的伤害。２．事故类别
０１物体打击
０２车辆伤害
０３机械伤害
０４起重伤害
０５触电
０６淹溺
０７灼烫
０８火灾
０９高处坠落
０１０坍塌
０１１冒顶片帮
０１２透水
０１３放炮
０１４火药爆炸
０１５瓦斯爆炸
０１６锅炉爆炸
０１７容器爆炸
０１８其它爆炸
０１９中毒和窒息
０２０其它伤害
３．伤害分析
３．１受伤部位
指身体受伤的部位（细分类详见附录Ａ．１）。
３．２受伤性质
指人体受伤的类型。
确定原则：
ａ．应以受伤当时的身体情况为主，结合愈后可能产生的后遗障碍全面分析确定；ｂ．多处受伤，按最严重的伤害分类，当无法确定时，应鉴定为“多伤害”（细分类详见附录Ａ．２）。
３．３起因物
导致事故发生的物体、物质，称为起因物（细分类详见附录Ａ．３）。
３．４致害物
指直接引起伤害及中毒的物体或物质（细分类详见附录Ａ．４）。
３．５伤害方式
指致害物与人体发生接触的方式（细分类详见附录Ａ．５）。
３．６不安全状态
指能导致事故发生的物质条件（细分类详见附录Ａ．６）。
３．７不安全行为
指能造成事故的人为错误（细分类详见附录Ａ．７）。
４．伤害程度分类
４．１轻伤
指损失工作日低于１０５日的失能伤害。
４．２重伤
指相当于表定损失工作日等于和超过１０５日的失能伤害。
４．３死亡
５．事故严重程度分类
５．１轻伤事故
指只有轻伤的事故。
５．２重伤事故
指有重伤无死亡的事故。
５．３死亡事故
ａ．重大伤亡事故
指一次事故死亡1—2人的事故。
ｂ．特大伤亡事故
指一次事故死亡３人以上的事故（含３人）。
６．伤亡事故的计算方法
适用于企业以及各省、市、县上报企业工伤事故时使用的计算方法有：
６．１千人死亡率：表示某时期，平均每千名职工中，因伤亡事故造成死亡的人数。
计算公式：
千人死亡率＝死亡人数/平均职工人数×1000
６．２千人重伤率：
表示某时期内，平均每千名职工因工伤事故造成的重伤人数。
计算公式：
千人重伤率＝重伤人数/平均职工人数×1000
６．３伤害频率：
表示某时期内，每百万工时的事故造成伤害的人数。伤害人数指轻伤、重伤、死亡人数之和。计算公式：
百万工时伤害率（Ａ）＝伤害人数/实际总工时×1000
６．４伤害严重率：
表示某时期内，每百万工时，事故造成的损失工作日数。
计算公式：
伤害严重率（Ｂ）＝总损失工作日/实际总工时×1000
６．５伤害平均严重率：表示每人次受伤害的平均损失工作日。
计算公式：
伤害平均严重率(Ｎ)=B/A=总损失工作日/伤害人数
适用于以吨、立方米产量为计算单位的行业、企业使用的计算方法有：６．６按产品产量计算的死亡率：
计算公式：
百万吨死亡率＝死亡人数/实际产量（吨）×1000000
万米木材死亡率＝死亡人数/木材产量（立方米）×10000
【章名】附录Ａ：（补充件）
Ａ．１受伤部位
Ａ．２受伤性质
Ａ．３起因物
Ａ．４致害物
Ａ．６不安全状态
【章名】附录Ｂ：损失工作日计算表（补充件）
１．死亡或永久性全失能伤害定６０００日。
２．永久性部分失能伤害按表１、表２、表３计算。
３．表中未规定数值的暂时失能伤害按歇工天数计算。
４．对于永久性失能伤害不管其歇工天数多少，损失工作日均按表定数值计算。５．各伤害部位累计数值超过６０００日者，仍按６０００日计算。
表２骨折损失工作换算表
spss因素分析教程
二、利用SPSS对量表进行因素分析 【例6-9】现要对远程学习者对教育技术资源的了解和使用情况进行了解，设计一个里克特量表，如表6-27所示。将该量表发放给20人回答，假设回收后的原始数据如表6-28所示。 操作步骤：⒈录入数据定义变量“A1”、“A2”、“A3”、“A5”、“A6”、“A7”、“A8”、“A9”、“A10”，并按照表输入数据，如图6-33所示。
⒉因素分析（1）选择“AnalyzeData ReductionFactor…”命令，弹出“Factor Analyze”对话框，将变量“A1”到“A10”选入“Variables”框中,如图6-34所示。 （2）设置描述性统计量单击图6-34对话框中的“Descriptives…”按钮，弹出“Factor Analyze:Desc riptives”（因素分析：描述性统计量）对话框，如图6-35所示。
①“Statistics”（统计量）对话框 A “Univariate descriptives”（单变量描述性统计量）：显示每一题项的平均数、标准差。 B “Initial solution”（未转轴之统计量）：显示因素分析未转轴前之共同性、特征值、变异数百分比及累积百分比。 ②“Correlation Matric”（相关矩阵）选项框 A “Coefficients”（系数）：显示题项的相关矩阵 B “Significance levels”（显著水准）：求出前述相关矩阵地显著水准。 C “Determinant”（行列式）：求出前述相关矩阵地行列式值。 D “KMO and Bartlett’s test of sphericity”（KMO与Bartlett的球形检定）：显示KMO抽样适当性参数与Bartlett’s的球形检定。 E “Inverse”（倒数模式）：求出相关矩阵的反矩阵。 F “Reproduced”（重制的）：显示重制相关矩阵，上三角形矩阵代表残差值；而主对角线及下三角形代表相关系数。 G “Anti-image”（反映像）：求出反映像的共变量及相关矩阵。 在本例中，选择“Initial solution”与“KMO and Bartlett’s test of sphericity”二项，单击“Continue”按钮确定。 （3）设置对因素的抽取选项 单击图6-34对话框中的“Extraction…”按钮，弹出“Factor Analyze:Extraction”（因素分析：抽取）对话框，如图6-36所示。
心理治疗的“共同因素”
心理治療的“共同因素” 張沛超 昨天研討會講拉康（Lacan），拉康式分析真是蠻詭異，雖說也用自己的理論自圓其說。像一個真正的法國人那樣，拉康也廣泛地攻擊了自我心理學流派和客體關係流派，把佛洛德的理論大廈的牆全都敲掉，在水泥架子上用些奇怪的材料裝修出蜃樓般的建築。 精神分析陣營裡基本上都是各說各的，各幹各的，而且都有各自的信徒和病人群體。在精神分析陣營之外，認知行為、存在主義、格式塔治療……在理論架構和臨床實務上都大異其趣，然而從業者畢竟都有口飯吃。看來完全沒效果是不可能的，在我看來有這樣的共同因素： 1.不一樣的體驗（novel experiences） 不管是躺在躺椅上對著天花板囈語，還是面對一位包容抱持鏡映神入的分析師，不管是在治療師的蘇格拉底式發問下戰慄，還是將情緒傾瀉於紙面或表現為舞步……反正，就是跟平時不一樣。差別的體驗帶來頓悟，帶來不一樣的視角，帶來完型的浮現。其實就是先要生活在別處，才能活在當下，活在此時此地此身此岸。 2.和你在一起（being with yourself） 生活中的大部分時間，我們並不是和自己在一起的。我們生活
在他人的欲望中，我們生活在被吞噬或閹割的焦慮中，我們活在人類得以進化的教條中，我們活在語言的束縛中，我們會心神不寧，會身不由己，會六神無主，甚至魂飛魄散
……當我們沒有跟自己真正在一起的時候，我們也無法跟別人在一起，我們共同活在妄想、分別和執著中。心理治療，任何形式的心理治療，至少提供了這樣一個機會，讓我們可以跟自己在一起，跟自己的、感覺、想法、圖式……跟自己在一起。一個治療師和我們在一起，也提供了自己與己同在的機緣。 3.重新歸因（reattribution） 人類最大的恐懼，其實是對不確定的恐懼，對無知的恐懼。所以才有了人類整個的知識體系的演化。你我都需要原因，有了原因之後才有掌控感，有了掌控感後才能體驗到自體的存在。看相算命都是給問題找個原因，知道原因讓我們釋然。不同治療理論儘管差異甚大，但基本上都帶來了解釋，或者是讓病人自己找到原因。這個原因可能是創傷，是分離，是父親的存在，是不良認知圖式，是生活沒有根本的意義，是未完成事件，是大腦神經遞質失衡，是進化的宿命……總之，會給你個原因。 4.心誠則靈（just believe） 這個很好解釋，心理治療發揮作用的主要是兩個效應：安慰劑效應和牙醫效應；前者說的是你覺得這藥管用，它就有效果。但心理治療無法設置合適的安慰組，又無法做雙盲實驗，所以這個效應不能經由實驗分離出，但信不信由你。後者說是比方說你牙疼，約了一個牙醫後，就不那麼疼了。總的來說，心理治療不像吃藥輸液，
因素分析的主要方式
因素分析的主要方式 1．巴特利特球度检验Bartlett test of sphericity Bartlett球体检验的目的是检验相关矩阵是否是单位矩阵（identity matrix），如果是单位矩阵，则认为因子模型不合适。Bartlett球体检验的虚无假设为相关矩阵是单位阵，如果不能拒绝该假设的话，就表明数据不适合用于因子分析。一般说来，显著水平值越小（<0.05）表明原始变量之间越可能存在有意义的关系，如果显著性水平很大（如0.10以上）可能表明数据不适宜于因子分析。2．KMO（Kaiser-Meyer-Oklin Measure of Smapling Adequacy） KMO是Kaiser-Meyer-Olkin的取样适当性量数。KMO测度的值越高（接近1.0时），表明变量间的共同因子越多，研究数据适合用因子分析。通常按以下标准解释该指标值的大小：KMO值达到0.9以上为非常好，0.8～0.9为好，0.7～0.8为一般，0.6～0.7为差，0.5～0.6为很差。如果KMO测度的值低于0.5时，表明样本偏小，需要扩大样本。 例子 KMO测度和Bartlett球形检验表 KMO and Bartlett's Test KMO是Kaiser-Meyer-Olkin的取样适当性量数。KMO测度的值越高（接近1.0时），表明变量间的共同因子越多，研究数据适合用因子分析。通常按以下标准解释该指标值的大小：KMO值达到0.9以上为非常好，0.8～0.9为好，0.7～0.8为一般，0.6～0.7为差，0.5～0.6为很差。如果KMO测度的值低于0.5时，表明样本偏小，需要扩大样本，此处的KMO值为0.857，表示适合进行因素分析。Bartlett球体检验的目的是检验相关矩阵是否是单位矩阵（identity matrix），如果是单位矩阵，则认为因子模型不合适。Bartlett球体检验的虚无假设为相关矩阵是单位阵，如果不能拒绝该假设的话，就表明数据不适合用于因子分析。一般说来，显著水平值越小（<0.05）表明原始变量之间越可能存在有意义的关系，如果显著性水平很大（如0.10以上）可能表明数据不适宜于因子分析。本例中， Bartlett球形检验的2 值为1187.740（自由度为231），伴随概率值为0.000<0.01， 达到了显著性水平，说明拒绝零假设而接受备择假设，即相关矩阵不是单位矩阵，代表母群体的相关矩阵间有共同因素存在，适合进行因素分析。
SPSS因子分析的基本概念和步骤
因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在： 计算量的问题 由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解
浅析英美崛起的共同因素
浅析英美崛起的共同因素 摘要：英国和美国是世界近代执掌世界霸权的两个国家。19世纪初至20世纪最早完成工业革命的英国进入兴盛期，建立了人类历史上最为庞大的帝国。而二战后的美国接管了英国的世界领导权，世界由此进入了“美国治下的和平”时期。美国是脱胎于英国的殖民地，其血缘、语言、文化各方面与英国有着千丝万缕的联系，两国的崛起也有很多的相似之处，这表现在：相对优越的自然环境和地缘政治为两国的崛起奠定了基础；符合本国发展而又能实现的长期扩张策略；利用了工业革命的机遇。英美的崛起对我国当前的发展有很大的启示。 关键词：英国美国崛起共同因素 大国崛起是国际关系史上一个永恒的话题。新航线开辟以来，各大国争夺世界霸权贯穿于国际关系史发展的始终。而真正崛起为世界霸权国的英国和美国必然有发展成为世界大国的强国之道。本文重点分析了英美两国崛起中的共同因素，希望可以增加对大国崛起的认识。中国作为一个正在崛起的大国，也应该从中借鉴。 一、英国和美国崛起的历程 新航路的开辟开启了世界历史新的一页，从1500年开始世界历史进入了各国联系逐渐加强并最终紧密联系成一体的历程。国际体系由此发端，并最终形成了一体的国际社会。在这五百多年的历史长河中，各大国竞相崛起，开始角逐世界的霸权。历史已经告诉世人，胜利只属于两个国家：英国和美国。 （一）英国的崛起 与美国的崛起相比，英国崛起的时间跨度更长也更为艰难。从16世纪到19世纪中叶是英国一步步崛起为世界大国。1、击败西班牙。15、16世纪是西班牙的鼎盛期，强盛的西班牙图谋征服欧洲，对英国的安全构成威胁。英国对西班牙的财富和广大的殖民地也垂涎三尺并不时骚扰西班牙帝国的殖民地，攻击并掠夺其商船。1588年英国击败西班牙，维护了国家的主权并为其海外争霸扫清了第一个障碍。2、击败荷兰。继西班牙之后崛起的荷兰在摆脱西班牙的统治之后迎来了它最强盛的时期，势力遍及世界各大洲因而被称为“海上马车夫”。英国的崛起也是倾力发展海上力量，如欲称霸海洋与荷兰的冲突不可避免。在17世纪中叶的三次英荷战争中，英国击败荷兰，海洋力量迅速增加3、击败法国。法国是英国称霸道路上一个最为强劲的对手，法国在欧洲大陆上拥有足够的优势，而英国的优势在于其海上力量，因此英国避开欧洲在印度和北美与法国进行了激烈的角逐，最终击败了法国，成为世界上最大殖民国家。 （二）美国的崛起 美国的崛起之路始于美国独立。美国是继英国以来，又一个掌控世界霸权的
SPSS因子分析的基本概念和步骤
因子分析的基本概念和步骤 四、因素分析的操作说明 Statistics/Data Reduction/Factor… （统计分析/数据缩减/因子…） 出现“Factor Analysis”（因子分析）对话框，将左边框中鉴别度达显著性的a1～a22选如右边“Variables”（变量）下的空框中。 其中五个按钮内的图标意义如下： Descriptives（描述性统计量）按钮，会出现“Factor Analysis:Descriptives”（因子分析：描述性统计量）对话窗口 1．“Statistics”(统计量)选项框
（1）“ Univariate descriptives”（单变量描述性统计量）：显示每一题项的平均数、标准差。 （2）“ Initial solution”（未转轴之统计量）：显示因素分析未转轴前之共同性（communality）、特征值（eigenvalues）、变异数百分比及累积百分比。 2．“Correlation Matric”(相关矩阵)选项框 （1）“ Coefficients”（系数）：显示题项的相关矩阵； （2）“ Significance levels”（显著水准）：求出前述矩阵的显著水准； （3）“ Determinant”（行列式）：求出前述相关矩阵的行列式值； （4）“ KMO and Bartlett’s test of sphericity”（KMO与Bartlett的球形检定）：显示KMO抽样适当性参数与Bartlett的球形检定； （5）“ Inverse”（倒数模式）：求出相关矩阵的反矩阵； （6）“ Reproduced”（重制的）：显示重制相关矩阵，上三角形矩阵代表残差值；而主对角线及下三角形代表相关系数； （7）“ Anti-image”（反映象）：求出反映象的共变量及相关矩阵； 在“Factor Analysis:Descriptives”对话窗口中，选取“ Initial solution”、“ KMO and Bartlett’s test of sphericity”二项。 ?Extraction…（萃取…）按钮，会出现“Factor Analysis:Extraction”（因子分析：萃取）对话窗口 1．“Method”（方法）选项框：下拉式选项内有7种选取因素的方法 （1）“Principal components”法：主成份分析法抽取因素，此为SPSS内定方法； （2）“Unweighted least squares”法：未加权最小平方法； （3）“Ggeneralized least square”法：一般化最小平方法； （4）“Mmximum likelihood”法：最大概似法； （5）“Principal-axis factoring”法：主轴法； （6）“Alpha factoring”法： 因素抽取法； （7）“Image factoring”法：映象因素抽取法； 2．“Analyze”（分析）选项方框 （1）“ Correlation matrix”（相关矩阵）：以相关矩阵来抽取因素； （2）“ Covariance matrix”（共变异系数矩阵）：以共变量矩阵来抽取因素。 3．“Display”（显示）选项方框 （1）“ Unrotated factor solution”（未旋转因子解）：显示未转轴时因素负荷量、
主成份分析和共同因素分析相关议题之探究
第三期(2002/2), pp. 107-132 主成份分析和共同因素分析相關議題之 探究 傅粹馨 國立高雄大學教育系 主成份分析與共同因素分析廣為研究者所使用抽取因素的方法。主成份分析與共同因素分析是不同的。共同因素分析之目的在抽取因素來解釋變項間的關係，而主成份分析之目的在作變項的減縮。 本文探討八個主題：(1)緒論；(2)主成份分析之意義；(3)共同因素分析之意義；(4)主成份分析與共同因素分析之異同；(5)主成份分析與共同因素分析結果近似；(6)共同因素分析較主成份分析為宜；(7)目前普遍使用之因素分析方法； (8)實例分析。 執行因素分析時宜瞭解研究之目的與決定抽取多少個因素是相當重要的，這些會影響因素的抽取與轉軸後的結果，研究者不能太依賴電腦提供之內設選項。 關鍵詞：共同因素分析、因素抽取、主成份分析、轉軸、陡坡圖。 收稿日期：民國九十年五月五日；接受刊登日期：民國九十年十一月三十日
一、緒論 目前電腦之軟體硬體發展急速，以較複雜之統計方法分析資料已是輕而易舉之事，執行少數幾個指令，分析工作即大功告成，不論國內外，社會行為科學研究中使用多變量統計分析方法之頻率漸增。本文重點置於使用頻繁之主成份分析(principal component analysis; PCA)和共同因素分析(common factor analysis; CFA)上，此二分析之意義分別為何；二分析之異同為何；認為二分析結果近似之相關研究；認為共同因素分析較主成份分析為宜之相關研究；與目前普遍使用之因素分析方法，均是本文所欲探討之主題。 二、主成份分析之意義 成份分析模式(component analysis model)包含了常用的主成份分析(Principal component analysis; PCA)和映象成份分析(image component analysis)二種，因而有主成份分數(principal component score)和映象成份分數(image component score)。主成份分析是由Pearson所創用而由Hotelling再加以發展的一種統計方法（林清山，1991），Pearson將PCA用在正交之迥歸分析(orthogonal regression)為其原意與目的(Jackson, 1991)。於主成份分析中，可將m個變項加以轉換，使所得線性組合而得P個（P