فصل ۸. روش‌های آماری در پایش عملکرد HSE

فهرست کلی فصل

8.1. مقدمه

8.2. جایگاه روش‌های آماری در ارزیابی و پایش عملکرد HSE

8.3. ماهیت داده‌های HSE و الزامات آماری آن‌ها

8.4. آمار توصیفی و اکتشافی در تحلیل عملکرد HSE

8.5. استنباط آماری، مقایسه گروه‌ها و تحلیل عدم‌قطعیت

8.6. تحلیل روند، سری‌های زمانی و کنترل آماری فرایند

8.7. مدل‌سازی روابط، پیش‌بینی و تحلیل چندمتغیره در HSE

8.8. روش‌های آماری در تحلیل حوادث، قابلیت اعتماد و ریسک

8.9. چالش‌های روش‌شناختی و خطاهای رایج در کاربرد آمار در HSE

8.10. اصول انتخاب و تفسیر روش‌های آماری در نظام پایش HSE

8.11. جمع‌بندی تحلیلی

منابع

.

8.1. مقدمه

8.1.1. چرا آمار در HSE صرفاً یک ابزار کمکی نیست؟

در بسیاری از سازمان‌ها، آمار هنوز به‌اشتباه صرفاً یک ابزار گزارش‌نویسی یا نمایش اعداد تلقی می‌شود. در حالی که در حوزه HSE، آمار در معنای دقیق‌تر، زبان فهم الگوها، آشکارسازی انحراف‌ها، مقایسه وضعیت‌ها، ارزیابی اثربخشی مداخلات و پشتیبانی از تصمیم‌گیری است. اگر داده‌های HSE را مواد خام نظام پایش بدانیم، روش‌های آماری همان سازوکاری هستند که این مواد خام را به بینش قابل‌اتکا تبدیل می‌کنند. به همین دلیل، بدون فهم آماری، حتی داده‌های خوب نیز می‌توانند به برداشت‌های نادرست منجر شوند.

از منظر حرفه‌ای، اهمیت آمار در HSE از آنجا بیشتر می‌شود که ما با پدیده‌هایی سروکار داریم که اغلب کم‌فراوان اما پُرپیامد، چندعلتی، متأثر از زمینه و همراه با عدم‌قطعیت‌اند. حادثه، بیماری شغلی، مواجهه زیان‌آور، انحراف فرایندی یا آلودگی محیطی، همگی پدیده‌هایی هستند که درک آن‌ها بدون ابزارهای آماری، یا ساده‌انگارانه خواهد بود یا شهودی و غیرقابل‌دفاع. Montgomery (2020) و Spiegelhalter (2019) هر دو، از دو سنت متفاوت، بر این نکته تأکید دارند که آمار فقط محاسبه نیست؛ نوعی انضباط فکری برای قضاوت در شرایط عدم‌قطعیت است.

8.1.2. مسئله اصلی فصل

در این فصل، تمرکز من بر این است که نشان دهم روش‌های آماری در پایش عملکرد HSE چگونه به‌کار می‌آیند، چه توانایی‌هایی دارند، کجا ممکن است گمراه‌کننده شوند، و چگونه باید با ماهیت خاص داده‌های HSE سازگار شوند. هدف فصل آموزش فرمول‌های ریاضی نیست؛ بلکه ارائه یک نقشه مفهومی و کاربردی است تا خواننده بداند برای هر نوع مسئله پایش HSE، چه خانواده‌ای از روش‌های آماری مناسب‌تر است و چه محدودیت‌هایی باید در نظر گرفته شود.

8.1.3. مسیر فصل

ابتدا جایگاه روش‌های آماری را در نظام پایش HSE روشن می‌کنم. سپس درباره ماهیت داده‌های HSE و پیامدهای آماری آن بحث می‌شود. در ادامه، از آمار توصیفی به استنباط، از تحلیل روند به کنترل آماری فرایند، و از مدل‌سازی روابط به تحلیل حوادث و قابلیت اعتماد حرکت می‌کنیم. در پایان نیز به خطاهای رایج، چالش‌های تفسیری و اصول انتخاب روش مناسب می‌پردازم.

.

8.2. جایگاه روش‌های آماری در ارزیابی و پایش عملکرد HSE

8.2.1. از مشاهده پراکنده به قضاوت نظام‌مند

در غیاب روش‌های آماری، پایش HSE اغلب به سطح مشاهده‌های موردی، برداشت‌های شهودی یا مقایسه‌های سطحی فروکاسته می‌شود. ممکن است مدیری بر اساس دو یا سه حادثه اخیر، نتیجه‌گیری کلی درباره وضعیت ایمنی سازمان ارائه کند؛ یا کارشناس HSE بر اساس کاهش ظاهری یک شاخص در یک ماه خاص، از بهبود عملکرد سخن بگوید. مشکل این‌گونه داوری‌ها آن است که تغییرپذیری طبیعی داده، خطای اندازه‌گیری، اثرات فصلی و عوامل مداخله‌گر را نادیده می‌گیرند. آمار به ما کمک می‌کند میان «نوسان تصادفی» و «تغییر معنادار» تمایز بگذاریم (Wheeler, 2010).

در HSE، این تمایز بسیار مهم است. فرض کنید نرخ شبه‌حادثه‌ها در یک کارگاه از 12 مورد در ماه به 8 مورد کاهش یافته است. آیا این کاهش نشانه بهبود واقعی است؟ یا صرفاً ناشی از کاهش گزارش‌دهی، تغییر حجم فعالیت یا نوسان تصادفی؟ بدون ابزار آماری و تحلیل زمینه‌ای، پاسخ روشن نیست. بنابراین، آمار، زبان احتیاط حرفه‌ای و داوری مبتنی بر شواهد است.

8.2.2. پیوند آمار با تصمیم‌گیری مدیریتی

روش‌های آماری در پایش HSE فقط برای پژوهش دانشگاهی نیستند؛ در عمل نیز برای مدیران، سرپرستان و کارشناسان ارزش مستقیم دارند. تصمیم‌هایی مانند اولویت‌بندی بازرسی‌ها، ارزیابی اثربخشی آموزش، تشخیص روندهای نگران‌کننده، تخصیص منابع به واحدهای پرریسک یا ارزیابی عملکرد پیمانکاران، همگی می‌توانند با تحلیل آماری تقویت شوند (Hopkins, 2009).

در عین حال، استفاده از آمار در محیط‌های مدیریتی باید با ترجمه مناسب همراه باشد. خروجی آماری زمانی مفید است که برای مخاطب قابل‌فهم، مرتبط با تصمیم و همراه با بیان محدودیت‌ها باشد. تحلیل پیچیده‌ای که به اقدام روشن منتهی نشود، ارزش عملی محدودی دارد. این نکته را Marr (2021) در حوزه تحلیل داده سازمانی به‌خوبی برجسته می‌کند: مدل خوب، مدلی نیست که فقط دقیق باشد؛ مدلی است که بتوان با آن تصمیم بهتر گرفت.

8.2.3. آمار به‌عنوان پل میان شاخص و تفسیر

در فصل مربوط به شاخص‌های عملکرد HSE، بحث شد که شاخص‌ها بدون تفسیر، ارزش محدودی دارند. در اینجا باید اضافه کنم که آمار همان پلی است که شاخص را از یک عدد منفرد به یک ابزار تحلیلی تبدیل می‌کند. میانگین، میانه، نرخ، فاصله اطمینان، نمودار کنترل، ضریب همبستگی، مدل رگرسیونی یا تحلیل بقا، هرکدام در واقع راهی برای معنا دادن به شاخص‌اند.

.

8.3. ماهیت داده‌های HSE و الزامات آماری آن‌ها

8.3.1. داده‌های HSE یکدست نیستند

نخستین خطای رایج در کاربرد آمار در HSE این است که داده‌ها را همگن فرض می‌کنیم. در حالی که داده‌های HSE ماهیت‌های متفاوتی دارند: برخی شمارشی‌اند، مانند تعداد حوادث یا شبه‌حوادث؛ برخی پیوسته‌اند، مانند غلظت آلاینده یا سطح صدا؛ برخی دودویی‌اند، مانند وقوع/عدم وقوع یک رویداد؛ برخی رتبه‌ای‌اند، مانند شدت ریسک یا سطح انطباق؛ و برخی زمان‌محورند، مانند فاصله بین خرابی‌ها یا مدت‌زمان بدون حادثه. هر یک از این انواع داده، الزامات آماری خاص خود را دارند (Agresti, 2018).

این تنوع بدان معناست که نمی‌توان همه چیز را با میانگین و درصد خلاصه کرد. برای مثال، شمارش حوادث اغلب از توزیع نرمال پیروی نمی‌کند و ممکن است به مدل‌های پواسون یا نگاتیو بینومیل نزدیک‌تر باشد. یا داده‌های مواجهه شغلی معمولاً چولگی دارند و گاه از توزیع لوگ‌نرمال تبعیت می‌کنند (Mulhausen & Damiano, 1998).

8.3.2. کمیابی رخدادهای شدید و مسئله داده‌های کم‌فراوان

در HSE، برخی مهم‌ترین رخدادها خوشبختانه کم‌فراوان‌اند: حوادث فاجعه‌آمیز، خرابی‌های بحرانی، بیماری‌های دیررس یا نشت‌های بزرگ. این کمیابی از نظر انسانی مطلوب است، اما از نظر آماری چالش ایجاد می‌کند. وقتی تعداد رخدادها کم است، تکیه بر مقایسه‌های ساده یا روندهای کوتاه‌مدت می‌تواند گمراه‌کننده باشد. در چنین مواردی، تحلیل رخدادهای پیش‌ساز، شاخص‌های پیشرو، داده‌های نزدیک به حادثه و روش‌های بیزی می‌توانند مفیدتر باشند (Gelman et al., 2021; Flage & Aven, 2015).

8.3.3. عدم‌قطعیت، سوگیری و داده‌های ناقص

داده‌های HSE معمولاً با عدم‌قطعیت‌های چندگانه همراه‌اند: خطای اندازه‌گیری، گزارش‌دهی ناقص، سوگیری انتخاب، تغییر در تعریف شاخص، تفاوت میان واحدها و تأخیر زمانی. این عدم‌قطعیت‌ها فقط یک مشکل آماری نیستند؛ بر معنای مدیریتی نتایج اثر می‌گذارند. اگر نرخ حادثه کاهش یابد اما فرهنگ گزارش‌دهی نیز ضعیف شده باشد، تفسیر خوش‌بینانه نادرست خواهد بود. به همین دلیل، تحلیل آماری در HSE همواره باید با شناخت نهادی و عملیاتی همراه باشد (Dekker, 2014; Hale, 2009).

.

8.4. آمار توصیفی و اکتشافی در تحلیل عملکرد HSE

8.4.1. فراتر از میانگین و درصد

آمار توصیفی معمولاً اولین سطح تحلیل در پایش HSE است، اما همین سطح نیز اگر درست انجام شود، بسیار روشنگر است. شاخص‌های مرکزی مانند میانگین و میانه، شاخص‌های پراکندگی مانند انحراف معیار، دامنه بین چارکی و واریانس، و شاخص‌های شکلی مانند چولگی و کشیدگی، می‌توانند نشان دهند داده‌های ما چه ساختاری دارند (Moore et al., 2021).

در داده‌های HSE، تکیه صرف بر میانگین اغلب خطرناک است. برای مثال، میانگین مواجهه با نویز در یک شیفت ممکن است قابل‌قبول به‌نظر برسد، اما توزیع داده نشان دهد که بخشی از کارکنان در مقاطع خاصی در معرض سطوح بسیار بالا قرار دارند. در چنین حالتی، میانه، صدک‌ها و تحلیل توزیع، اطلاعات بهتری از میانگین فراهم می‌کنند.

8.4.2. نرخ‌ها، نسبت‌ها و نرمال‌سازی

بسیاری از داده‌های HSE باید به‌صورت نرخ یا نسبت تحلیل شوند، نه به‌صورت شمارش خام. مقایسه تعداد حوادث بین دو واحد بدون درنظرگرفتن ساعات کار، تعداد کارکنان، حجم تولید یا سطح مواجهه، مقایسه‌ای ناقص است. به همین دلیل، نرخ‌های استانداردشده مانند تعداد حوادث به ازای 200,000 ساعت کار یا نرخ انتشار به ازای واحد تولید، اهمیت دارند (OSHA, 2024).

اما همین نرمال‌سازی نیز باید با احتیاط صورت گیرد. اگر مخرج شاخص به‌درستی انتخاب نشود، نتیجه می‌تواند گمراه‌کننده باشد. برای مثال، در برخی فعالیت‌ها، ساعات کار لزوماً بازتاب مناسبی از سطح ریسک نیست و شاید تعداد عملیات بحرانی یا دفعات ورود به فضای محدود شاخص مناسب‌تری برای نرمال‌سازی باشد.

8.4.3. تحلیل اکتشافی داده و تجسم آماری

تحلیل اکتشافی داده‌ها، با استفاده از نمودارهایی مانند هیستوگرام، جعبه‌نمودار، نمودار پراکنش، نمودار روند و heat map، به کشف الگوها، داده‌های پرت و روابط اولیه کمک می‌کند. Tukey (1977) سال‌ها پیش نشان داد که بسیاری از بینش‌های مهم پیش از مدل‌سازی پیچیده، در مرحله کاوش بصری و توصیفی به‌دست می‌آیند. این نکته در HSE کاملاً صادق است.

برای مثال، یک نمودار روند ساده ممکن است نشان دهد که شبه‌حوادث در شیفت شب بیشترند، یا جعبه‌نمودار داده‌های مواجهه نشان دهد که یک گروه شغلی خاص پراکندگی بسیار بیشتری دارد. این یافته‌ها هنوز «اثبات» نیستند، اما جهت تحلیل عمیق‌تر را روشن می‌کنند.

.

8.5. استنباط آماری، مقایسه گروه‌ها و تحلیل عدم‌قطعیت

8.5.1. از توصیف به استنباط

آمار استنباطی زمانی وارد می‌شود که بخواهیم از داده‌های مشاهده‌شده، درباره یک وضعیت کلی‌تر نتیجه‌گیری کنیم. در HSE، این پرسش‌ها بسیار رایج‌اند: آیا آموزش جدید باعث کاهش رفتارهای ناایمن شده است؟ آیا مواجهه در واحد الف از واحد ب بیشتر است؟ آیا نرخ حوادث پس از اجرای یک مداخله به‌طور معنادار کاهش یافته است؟ برای پاسخ به این پرسش‌ها از آزمون‌های مقایسه میانگین، آزمون‌های ناپارامتری، تحلیل واریانس، آزمون نسبت‌ها و فاصله‌های اطمینان استفاده می‌شود (Wasserstein et al., 2019).

اما استفاده از این ابزارها بدون توجه به مفروضات، اندازه اثر و زمینه تصمیم‌گیری، بسیار آسیب‌زاست. معناداری آماری به‌تنهایی به معنای اهمیت عملی نیست. ممکن است در یک سازمان بزرگ، تفاوتی بسیار کوچک از نظر آماری معنادار شود، اما از نظر HSE بی‌اهمیت باشد. برعکس، در نمونه‌های کوچک، تفاوتی مهم از نظر عملی ممکن است به‌لحاظ آماری معنادار نشود.

8.5.2. فاصله اطمینان و زبان عدم‌قطعیت

به‌نظر من، در آموزش و کاربرد آمار در HSE، فاصله اطمینان باید بیش از آزمون معناداری مورد توجه قرار گیرد. فاصله اطمینان به ما می‌گوید برآورد ما با چه دامنه‌ای از عدم‌قطعیت همراه است. این برای مدیریت HSE بسیار ارزشمند است، زیرا مدیران معمولاً نه‌فقط پاسخ بله/خیر، بلکه دامنه ریسک و اطمینان را نیاز دارند (Cumming, 2014).

برای مثال، اگر نرخ مواجهه با یک آلاینده 15 ppm برآورد شود، دانستن اینکه فاصله اطمینان آن 12 تا 18 است، از نظر تصمیم‌گیری درباره کنترل مواجهه، بسیار معنادارتر از آن است که فقط بگوییم میانگین 15 است.

8.5.3. اندازه اثر و اهمیت عملی

در سال‌های اخیر، ادبیات روش‌شناسی به‌درستی بر فاصله‌گرفتن از وسواس نسبت به p-value تأکید کرده است (Wasserstein et al., 2019). در HSE نیز باید از این تحول استقبال کرد. اهمیت یک مداخله باید با اندازه اثر، هزینه، امکان اجرا، حساسیت ریسک و پیامدهای بالقوه سنجیده شود، نه فقط با معناداری آماری. این نگاه به‌ویژه در ارزیابی برنامه‌های آموزشی، مداخلات رفتاری و تغییرات سازمانی اهمیت دارد.

.

8.6. تحلیل روند، سری‌های زمانی و کنترل آماری فرایند

8.6.1. چرا تحلیل روند در HSE حیاتی است؟

پایش عملکرد HSE ذاتاً با زمان پیوند دارد. ما فقط نمی‌خواهیم بدانیم اکنون در چه وضعیتی هستیم؛ می‌خواهیم بفهمیم آیا در حال بهتر شدن هستیم، بدتر شدن، یا صرفاً حول یک سطح ثابت نوسان می‌کنیم. تحلیل روند و سری زمانی این امکان را فراهم می‌کنند که تغییرات زمانی، اثرات فصلی، وقفه‌های ساختاری و الگوهای تکرارشونده را شناسایی کنیم (Chatfield, 2016).

برای مثال، داده‌های انتشار محیط‌زیستی ممکن است الگوی فصلی داشته باشند؛ یا نرخ آسیب‌های اسکلتی‌عضلانی ممکن است در برخی دوره‌های اوج تولید افزایش یابد. اگر این الگوها دیده نشوند، مدیریت به‌جای علت ساختاری، به علائم سطحی واکنش نشان خواهد داد.

8.6.2. نمودارهای کنترل و تمایز میان علل عمومی و علل ویژه

یکی از مفاهیم بسیار ارزشمند برای HSE، تمایز میان «علل عمومی» و «علل ویژه» در تغییرپذیری است که در سنت کنترل آماری فرایند مطرح شده است (Shewhart, 1931; Deming, 1986). علل عمومی بخشی از تغییرپذیری عادی سیستم‌اند؛ علل ویژه به عوامل غیرمعمول، ناگهانی یا قابل‌شناسایی اشاره دارند. نمودارهای کنترل کمک می‌کنند این دو را از هم تفکیک کنیم.

در HSE، این تمایز بسیار مهم است. اگر سازمان هر نوسان کوچک در نرخ رویدادها را به‌عنوان بحران تلقی کند، دچار «واکنش‌زدگی» می‌شود. اگر هم علائم واقعی تغییر را نادیده بگیرد، فرصت پیشگیری را از دست می‌دهد. نمودارهای کنترل، مانند c-chart، u-chart، p-chart یا EWMA chart، بسته به نوع داده، برای این منظور بسیار مفیدند (Montgomery, 2020).

8.6.3. سری‌های زمانی مداخله‌ای و ارزیابی برنامه‌ها

گاه در HSE می‌خواهیم بدانیم اجرای یک برنامه خاص، مانند آموزش، اصلاح فرایند، یا نصب یک کنترل مهندسی، چه اثری بر روند شاخص‌ها داشته است. در چنین مواردی، تحلیل سری زمانی مداخله‌ای یا interrupted time series می‌تواند بسیار مفید باشد. این روش بررسی می‌کند که آیا پس از مداخله، سطح یا شیب روند تغییر کرده است یا نه (Bernal et al., 2017).

این رویکرد از مقایسه ساده قبل و بعد بسیار قوی‌تر است، زیرا روندهای پیشین و ساختار زمانی داده را نیز در نظر می‌گیرد. در پروژه‌های HSE که داده‌های ماهانه یا هفتگی در دسترس است، این روش می‌تواند بینش ارزشمندی فراهم کند.

.

8.7. مدل‌سازی روابط، پیش‌بینی و تحلیل چندمتغیره در HSE

8.7.1. همبستگی و سوءتفاهم علیت

در بسیاری از تحلیل‌های HSE، نخستین گام بررسی همبستگی میان متغیرهاست؛ مثلاً ارتباط میان ساعات اضافه‌کاری و حوادث، یا میان سن تجهیزات و خرابی‌ها. اما همبستگی به‌تنهایی اثبات علیت نیست. این جمله آن‌قدر تکرار شده که گاهی بدیهی به‌نظر می‌رسد، اما در عمل همچنان یکی از مهم‌ترین خطاهای تفسیری است. Pearl and Mackenzie (2018) به‌درستی نشان می‌دهند که استنباط علّی به چارچوب مفهومی و طراحی تحلیلی فراتر از همبستگی نیاز دارد.

8.7.2. رگرسیون در تحلیل عملکرد HSE

مدل‌های رگرسیونی از پرکاربردترین ابزارها در تحلیل HSE هستند. رگرسیون خطی برای پیامدهای پیوسته، رگرسیون لجستیک برای پیامدهای دودویی، رگرسیون پواسون یا نگاتیو بینومیل برای داده‌های شمارشی، و مدل‌های چندسطحی برای داده‌های خوشه‌ای یا سلسله‌مراتبی به‌کار می‌روند (Hilbe, 2011; Gelman et al., 2021).

برای مثال، اگر بخواهیم عوامل مرتبط با وقوع حادثه در میان گروه‌های کاری مختلف را تحلیل کنیم، رگرسیون لجستیک می‌تواند احتمال وقوع حادثه را بر حسب متغیرهایی مانند سابقه کار، شیفت، نوع فعالیت و آموزش مدل‌سازی کند. اگر بخواهیم تعداد شبه‌حوادث در واحدها را پیش‌بینی کنیم، رگرسیون شمارشی مناسب‌تر خواهد بود.

8.7.3. تحلیل چندمتغیره و پیچیدگی سیستم

واقعیت HSE چندعلتی است. به‌ندرت می‌توان یک پیامد را فقط با یک متغیر توضیح داد. از این‌رو، روش‌های چندمتغیره مانند تحلیل مؤلفه‌های اصلی، تحلیل خوشه‌ای، مدل‌های سلسله‌مراتبی و در برخی کاربردها مدل‌یابی معادلات ساختاری، می‌توانند به فهم بهتر الگوها کمک کنند (Hair et al., 2019).

برای نمونه، در پایش فرهنگ ایمنی، داده‌ها معمولاً از چندین بُعد تشکیل می‌شوند: ادراک از رهبری، ارتباطات، مشارکت، گزارش‌دهی، عدالت و یادگیری. تحلیل چندمتغیره می‌تواند ساختار این ابعاد را روشن‌تر کند و از تفسیر شتاب‌زده یک نمره کلی جلوگیری نماید.

8.7.4. پیش‌بینی و احتیاط در کاربرد مدل‌ها

پیش‌بینی در HSE جذاب است، اما باید با احتیاط به آن نزدیک شد. مدل‌های پیش‌بینی، به‌ویژه وقتی برای رخدادهای نادر استفاده می‌شوند، در معرض خطای زیاد، عدم‌توازن کلاس‌ها و بیش‌برازش قرار دارند. بنابراین، ارزیابی مدل باید با شاخص‌هایی فراتر از دقت خام، مانند حساسیت، ویژگی، AUC، کالیبراسیون و اعتبارسنجی بیرونی همراه باشد (Kuhn & Johnson, 2019).

.

8.8. روش‌های آماری در تحلیل حوادث، قابلیت اعتماد و ریسک

8.8.1. تحلیل حادثه و داده‌های نادر

تحلیل آماری حوادث در HSE با یک تناقض روبه‌رو است: مهم‌ترین حوادث، کم‌تعدادترین آن‌ها هستند. این موضوع استفاده از روش‌های کلاسیک را دشوار می‌کند. به همین دلیل، ترکیب داده‌های حادثه با داده‌های پیش‌ساز، خطاهای فرایندی، شرایط ناایمن و شاخص‌های قابلیت اعتماد اهمیت پیدا می‌کند (Hopkins, 2009; Leveson, 2011).

از منظر آماری، برای داده‌های نادر می‌توان از مدل‌های شمارشی مناسب، روش‌های بیزی، تحلیل داده‌های سانسورشده و گاه رویکردهای شبیه‌سازی استفاده کرد. در بسیاری از موارد، تحلیل صرفِ فراوانی حادثه کافی نیست و باید شدت، سناریو و زنجیره علّی نیز وارد مدل شود.

8.8.2. تحلیل بقا و زمان تا رخداد

در برخی مسائل HSE، متغیر اصلی «زمان تا وقوع» است: زمان تا خرابی تجهیز، زمان تا بروز حادثه بعدی، زمان تا ازکارافتادگی یا زمان تا ظهور علائم بیماری. در اینجا، تحلیل بقا و مدل‌های خطر متناسب، ابزارهای بسیار مناسبی هستند (Kleinbaum & Klein, 2012). مزیت این روش‌ها آن است که می‌توانند داده‌های سانسورشده را نیز مدیریت کنند؛ یعنی مواردی که تا پایان دوره مطالعه هنوز رخداد موردنظر اتفاق نیفتاده است.

8.8.3. قابلیت اعتماد، نرخ خرابی و توزیع ویبول

در بخش‌هایی از HSE که با تجهیزات، موانع ایمنی و سیستم‌های حفاظتی سروکار داریم، تحلیل قابلیت اعتماد اهمیت ویژه‌ای پیدا می‌کند. نرخ خرابی، MTBF، توزیع ویبول و مدل‌های قابلیت اعتماد کمک می‌کنند بفهمیم یک تجهیز یا مانع تا چه حد پایدار است و چه زمانی احتمال شکست آن افزایش می‌یابد (Modarres et al., 2017).

این ابزارها به‌ویژه در صنایع فرایندی، انرژی، حمل‌ونقل و تأسیسات با ریسک بالا اهمیت دارند، زیرا ایمنی در این محیط‌ها به قابلیت اعتماد فنی و عملکردی سیستم‌ها وابسته است.

8.8.4. شبیه‌سازی و تحلیل ریسک

در برخی مسائل پیچیده، به‌ویژه زمانی که عدم‌قطعیت بالا و داده‌های تجربی محدود است، روش‌های شبیه‌سازی مانند مونت‌کارلو می‌توانند مفید باشند. این روش‌ها به ما امکان می‌دهند دامنه‌ای از سناریوها و توزیع‌های ممکن پیامدها را بررسی کنیم (Vose, 2008). البته شبیه‌سازی جایگزین داده واقعی نیست؛ بلکه ابزاری برای تفکر نظام‌مند درباره عدم‌قطعیت است.

.

8.9. چالش‌های روش‌شناختی و خطاهای رایج در کاربرد آمار در HSE

8.9.1. وسوسه ساده‌سازی بیش از حد

یکی از شایع‌ترین خطاها در HSE، فروکاستن واقعیت پیچیده به چند عدد ساده است. شاخص‌های خلاصه‌شده لازم‌اند، اما اگر به‌تنهایی مبنای داوری قرار گیرند، ممکن است بسیاری از تفاوت‌های زمینه‌ای را پنهان کنند. برای مثال، کاهش نرخ ثبت‌شده حادثه لزوماً به معنای کاهش ریسک نیست؛ ممکن است ناشی از کاهش گزارش‌دهی یا تغییر در تعریف حادثه باشد.

8.9.2. مشکل حجم نمونه و داده‌های وابسته

در بسیاری از مطالعات یا پایش‌های HSE، حجم نمونه کم است یا مشاهدات مستقل نیستند. داده‌های مربوط به کارکنان درون یک واحد، شیفت‌ها درون یک سایت، یا اندازه‌گیری‌های تکراری از یک فرایند، معمولاً به یکدیگر وابسته‌اند. استفاده از روش‌هایی که استقلال داده‌ها را فرض می‌کنند، در این شرایط می‌تواند به برآوردهای گمراه‌کننده بینجامد (Gelman et al., 2021).

8.9.3. جابه‌جایی میان داده، تحلیل و قضاوت ارزشی

گاه نتیجه آماری با قضاوت ارزشی خلط می‌شود. مثلاً از کاهش یک شاخص، بی‌درنگ نتیجه می‌گیریم که «مدیریت موفق بوده است». در حالی که داده فقط بخشی از واقعیت را نشان می‌دهد. تفسیر، نیازمند تحلیل نهادی، شناخت عملیاتی و توجه به محدودیت‌های داده است. این همان جایی است که حرفه‌مندی HSE از صرف مهارت نرم‌افزاری جدا می‌شود.

8.9.4. استفاده ابزاری از آمار برای تأیید پیش‌فرض‌ها

خطر دیگر، استفاده گزینشی از تحلیل برای تأیید تصمیمی است که از قبل گرفته شده است. اگر تحلیل آماری به ابزاری برای مشروعیت‌بخشی صوری تبدیل شود، نه‌تنها ارزش علمی خود را از دست می‌دهد، بلکه اعتماد سازمانی را نیز تضعیف می‌کند. به همین دلیل، شفافیت در روش، مفروضات و محدودیت‌ها ضروری است.

.

8.10. اصول انتخاب و تفسیر روش‌های آماری در نظام پایش HSE

8.10.1. روش باید از پرسش تبعیت کند

اصل نخست این است که روش آماری باید از مسئله و پرسش مدیریتی تبعیت کند، نه برعکس. ابتدا باید بدانیم چه می‌خواهیم بفهمیم: توصیف وضعیت؟ مقایسه گروه‌ها؟ تشخیص روند؟ پیش‌بینی؟ تحلیل زمان تا رخداد؟ سپس بر اساس نوع داده، اندازه نمونه، ساختار زمانی و سطح تصمیم‌گیری، روش مناسب انتخاب شود.

8.10.2. سادگی هوشمندانه، نه پیچیدگی نمایشی

همیشه پیچیده‌ترین مدل، بهترین مدل نیست. در بسیاری از مسائل HSE، یک تحلیل توصیفی دقیق، یک نمودار کنترل خوب یا یک رگرسیون شفاف، از مدل‌های پیچیده اما غیرقابل‌توضیح مفیدتر است. به‌ویژه در محیط‌های عملیاتی، قابلیت توضیح و پذیرش سازمانی اهمیت زیادی دارد (Spiegelhalter, 2019).

8.10.3. ترکیب تحلیل آماری با قضاوت حرفه‌ای

تحلیل آماری هرگز نباید در خلأ تفسیر شود. داده‌ها باید با دانش فرایند، تجربه میدانی، الزامات قانونی، و شناخت از فرهنگ سازمانی ترکیب شوند. این ترکیب است که به تصمیم باکیفیت منجر می‌شود. اگر آمار را از بافت HSE جدا کنیم، به فرمالیسم عددی گرفتار می‌شویم؛ و اگر HSE را بدون آمار پیش ببریم، به شهود کنترل‌نشده متکی خواهیم شد. بلوغ واقعی در جمع این دو است.

.

8.11. جمع‌بندی تحلیلی

8.11.1. آمار، ابزار دیدن آن چیزی است که آشکار نیست

این فصل کوشید نشان دهد که نقش روش‌های آماری در پایش عملکرد HSE، فراتر از شمارش و نمودارسازی است. آمار به ما امکان می‌دهد الگوهایی را ببینیم که در نگاه روزمره پنهان می‌مانند: تمایز میان نوسان و تغییر، میان رابطه و تصادف، میان روند واقعی و برداشت سطحی. در محیطی که تصمیم‌ها اغلب باید زیر فشار زمان، ریسک و عدم‌قطعیت گرفته شوند، این توانایی بسیار ارزشمند است.

8.11.2. مسئله اصلی، «روش درست برای پرسش درست» است

اگر بخواهم پیام مرکزی فصل را برجسته کنم، می‌گویم در HSE هیچ روش آماری ذاتاً برتر نیست؛ برتری هر روش به تناسب آن با نوع داده، پرسش، زمینه و هدف تصمیم‌گیری بستگی دارد. میانگین در جای خود مفید است و نمودار کنترل در جای خود؛ رگرسیون، تحلیل بقا یا شبیه‌سازی نیز هرکدام زمانی معنا دارند که مسئله به‌درستی تعریف شده باشد.

8.11.3. از آمار به سوی یادگیری سازمانی

در نهایت، ارزش واقعی آمار در HSE آن است که سازمان را از گزارش‌گری منفعل به یادگیری فعال منتقل کند. وقتی داده‌ها به‌درستی تحلیل و با قضاوت حرفه‌ای تفسیر شوند، آمار نه‌فقط ابزار ارزیابی، بلکه ابزار پیشگیری، بهبود و آینده‌نگری خواهد بود. این همان نقطه‌ای است که پایش عملکرد، از ثبت گذشته فراتر می‌رود و به ساختن آینده‌ای ایمن‌تر، سالم‌تر و مسئولانه‌تر کمک می‌کند.

.

منابع

Agresti, A. (2018). Statistical methods for the social sciences (5th ed.). Pearson

Bernal, J. L., Cummins, S., & Gasparrini, A. (2017). Interrupted time series regression for the evaluation of public health interventions: A tutorial. International Journal of Epidemiology, 46(1), 348–355. https://doi.org/10.1093/ije/dyw098

Chatfield, C. (2016). The analysis of time series: An introduction (6th ed.). CRC Press

Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966

Dekker, S. (2014). The field guide to understanding human error (3rd ed.). Ashgate

Deming, W. E. (1986). Out of the crisis. MIT Press

Flage, R., & Aven, T. (2015). Emerging risk—Conceptual definition and a relation to black swan type of events. Reliability Engineering & System Safety, 144, 61–67. https://doi.org/10.1016/j.ress.2015.07.008

Gelman, A., Hill, J., & Vehtari, A. (2021). Regression and other stories. Cambridge University Press

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage

Hale, A. (2009). Why safety performance indicators? Safety Science, 47(4), 479–480. https://doi.org/10.1016/j.ssci.2008.07.018

Hilbe, J. M. (2011). Negative binomial regression (2nd ed.). Cambridge University Press

Hopkins, A. (2009). Thinking about process safety indicators. Working Paper, Australian National University

Kleinbaum, D. G., & Klein, M. (2012). Survival analysis: A self-learning text (3rd ed.). Springer

.

Kuhn, M., & Johnson, K. (2019). Feature engineering and selection: A practical approach for predictive models. CRC Press

Leveson, N. (2011). Engineering a safer world: Systems thinking applied to safety. MIT Press

Marr, B. (2021). Data strategy: How to profit from a world of big data, analytics and artificial intelligence (2nd ed.). Kogan Page.

Modarres, M., Kaminskiy, M., & Krivtsov, V. (2017). Reliability engineering and risk analysis: A practical guide (3rd ed.). CRC Press

Montgomery, D. C. (2020). Introduction to statistical quality control (8th ed.). Wiley

Moore, D. S., McCabe, G. P., & Craig, B. A. (2021). Introduction to the practice of statistics (10th ed.). W. H. Freeman

Mulhausen, J. R., & Damiano, J. (1998). A strategy for assessing and managing occupational exposures (2nd ed.). AIHA Press

Occupational Safety and Health Administration. (2024). Commonly used statistics. U.S. Department of Labor

Pearl, J., & Mackenzie, D. (2018). The book of why: The new science of cause and effect. Basic Books

Shewhart, W. A. (1931). Economic control of quality of manufactured product. D. Van Nostrand

Spiegelhalter, D. (2019). The art of statistics: Learning from data. Pelican

Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley

Vose, D. (2008). Risk analysis: A quantitative guide (3rd ed.). Wiley

Wasserstein, R. L., Schirm, A. L., & Lazar, N. A. (2019). Moving to a world beyond “p < 0.05”. The American Statistician, 73(sup1), 1–19. https://doi.org/10.1080/00031305.2019.1583913

Wheeler, D. J. (2010). Understanding statistical process control (3rd ed.). SPC Press