ابتدا مقاله فصل 20. گزارشدهی، داشبورد و پشتیبانی تصمیم در HSE:بخش اول مطالعه کنید.
20.8. فناوریهای نوین در گزارشدهی و تصمیمیارهای HSE
20.8.1. دیجیتالسازی گزارشدهی HSE
دیجیتالسازی میتواند گزارشدهی HSE را سریعتر، دقیقتر و قابل تحلیلتر کند. سامانههای موبایلی گزارش شبهحادثه، فرمهای الکترونیکی بازرسی، داشبوردهای برخط، سامانههای مدیریت اقدام اصلاحی، و یکپارچگی با سیستمهای عملیات و نگهداشت، همه میتوانند کیفیت پایش را افزایش دهند. اما دیجیتالسازی بهتنهایی بلوغ ایجاد نمیکند. اگر فرایندها ضعیف باشند، سامانه دیجیتال فقط ضعفها را سریعتر و زیباتر نمایش میدهد.
Davenport and Harris (2017) تأکید میکنند که تحلیلگری سازمانی موفق نیازمند ترکیب فناوری، داده، فرایند و فرهنگ تصمیمگیری است. در HSE نیز پیش از خرید نرمافزار باید پرسید: چه تصمیمی قرار است بهتر شود؟ چه دادهای لازم است؟پس چه کسی داده را ثبت میکند؟ چه کسی تحلیل میکند؟ و خروجی سامانه چگونه به اقدام متصل میشود؟
20.8.2. اینترنت اشیا، حسگرها و پایش برخط
حسگرها و فناوری اینترنت اشیا امکان پایش برخط برخی خطرات را فراهم کردهاند: گازهای خطرناک، دما، فشار، ارتعاش، وضعیت تجهیزات، کیفیت هوا، صدا، موقعیت افراد، خستگی راننده، یا شرایط محیطی. این دادهها میتوانند هشدار زودهنگام ایجاد کنند و تصمیمهای سریعتر را ممکن سازند. در محیطهای پرخطر، اتصال دادههای حسگری با داشبوردهای HSE و سامانههای عملیاتی میتواند ارزش پیشگیرانه بالایی داشته باشد.
با وجود این، باید به محدودیتها نیز توجه کرد. حسگرها ممکن است خطا داشته باشند، دادههای فراوان تولید کنند، هشدارهای کاذب ایجاد کنند یا در صورت نبود فرایند پاسخ، بیاثر شوند. Parasuraman and Riley (1997) در بحث اتوماسیون هشدار میدهند که اتکای بیش از حد یا کماعتمادی به سیستمهای خودکار هر دو میتواند مسئلهساز باشد. بنابراین، فناوری باید با آموزش، نگهداشت، کالیبراسیون، آستانههای معتبر و مسئولیت پاسخ همراه شود.
20.8.3. هوش مصنوعی و تحلیل پیشبینانه
هوش مصنوعی و یادگیری ماشین در سالهای اخیر وارد حوزه HSE شدهاند. کاربردهای بالقوه آنها شامل پیشبینی نقاط پرریسک، تحلیل متن گزارشهای رخداد، شناسایی الگوهای تکرارشونده، اولویتبندی اقدامات، پایش تصویری رفتارهای پرخطر و تحلیل دادههای حسگری است. پژوهشهای جدید نشان میدهند که روشهای دادهمحور میتوانند در برخی حوزههای ایمنی شغلی و ساختوساز برای شناسایی الگوهای خطر مفید باشند، هرچند کیفیت داده و قابلیت تعمیم همچنان چالشبرانگیز است (Tixier et al., 2016; Zhang et al., 2020).
اما باید با احتیاط علمی سخن گفت. الگوریتمها بیطرف مطلق نیستند؛ آنها از دادههای گذشته یاد میگیرند. اگر دادههای گذشته ناقص، سوگیرانه یا متأثر از پنهانکاری باشند، خروجی مدل نیز میتواند گمراهکننده باشد. همچنین، پیشبینی آماری نباید جایگزین مسئولیت مدیریتی شود. اگر یک مدل نشان دهد احتمال حادثه در یک فعالیت پایین است، اما کارشناسان میدانی نشانههای خطر را میبینند، تصمیمگیری نباید صرفاً به مدل سپرده شود.
20.8.4. تصمیمیارها و انسان در حلقه تصمیم
در HSE، بسیاری از تصمیمها پیامد اخلاقی و انسانی دارند. بنابراین، تصمیمیارهای دیجیتال باید «انسان در حلقه تصمیم» را حفظ کنند. سامانه میتواند هشدار دهد، اولویت پیشنهاد کند، الگو نشان دهد یا سناریو مقایسه کند؛ اما تصمیم نهایی درباره توقف کار، پذیرش ریسک، بازگشت به عملیات یا تغییر کنترلها باید با مسئولیت انسانی و مدیریتی همراه باشد.
این نکته در ادبیات ایمنی و مهندسی تابآوری نیز مهم است. Hollnagel (2014) نشان میدهد که عملکرد ایمن فقط نتیجه پیروی از قواعد نیست؛ بلکه نتیجه توان سازگاری هوشمندانه انسانها و سازمانها با شرایط متغیر است. اگر سامانههای تصمیمیار بهگونهای طراحی شوند که قضاوت حرفهای را تضعیف کنند، ممکن است انعطافپذیری سیستم کاهش یابد. فناوری باید کمک کند انسان بهتر ببیند و بهتر تصمیم بگیرد، نه اینکه او را به اپراتور منفعل هشدارها تبدیل کند.
.
20.9. ملاحظات اخلاقی، فرهنگی و حکمرانی داده در HSE
20.9.1. اعتماد، فرهنگ گزارشدهی و عدالت سازمانی
هیچ نظام گزارشدهی HSE بدون اعتماد پایدار نمیماند. کارکنان و پیمانکاران زمانی رخدادها، شبهحوادث، خطاها، شرایط ناایمن و ضعفهای کنترلی را گزارش میکنند که باور داشته باشند گزارش آنان به یادگیری و اصلاح منجر میشود، نه به سرزنش، تنبیه یا برچسبزنی. از این منظر، کیفیت گزارشدهی بیش از آنکه فقط به فرم، نرمافزار یا شاخص وابسته باشد، به کیفیت رابطه میان افراد و سازمان بستگی دارد.
در بسیاری از سازمانها، پایین بودن تعداد گزارشهای شبهحادثه یا شرایط ناایمن بهاشتباه نشانه عملکرد خوب تلقی میشود. اما کاهش گزارشها ممکن است ناشی از ترس، بیاعتمادی، خستگی از گزارشدهی، نبود بازخورد یا تجربههای قبلی نامطلوب باشد. اگر کارکنان ببینند گزارشهایشان بیپاسخ میماند، اقدامات اصلاحی جدی گرفته نمیشود، یا گزارشدهنده بهجای سیستم مورد پرسش قرار میگیرد، بهتدریج انگیزه گزارشدهی کاهش مییابد. در چنین وضعیتی، داشبورد ممکن است سبزتر شود، اما سازمان در واقع کمتر میبیند.
مفهوم «فرهنگ عادلانه» در اینجا اهمیت اساسی دارد. فرهنگ عادلانه به معنای حذف مسئولیت فردی نیست؛ بلکه به معنای تمایز میان خطای انسانی، رفتار پرریسک، تخلف آگاهانه و قصور عمدی است. Dekker (2012) تأکید میکند که سازمانها باید بهجای واکنش سادهانگارانه و تنبیهی، زمینههای سیستمی رفتار را نیز بررسی کنند. Reason (1997) نیز نشان میدهد که خطاهای انسانی اغلب نشانه ضعفهای عمیقتر در طراحی کار، آموزش، نظارت، فشار تولید، ارتباطات و کنترلهای سازمانیاند.
بنابراین، نظام گزارشدهی HSE باید این پیام را بهطور عملی منتقل کند که هدف از گزارش، فهمیدن و پیشگیری است. این پیام فقط با شعار ایجاد نمیشود؛ بلکه با رفتار مدیران پس از دریافت گزارش شکل میگیرد. اگر مدیری در جلسه بررسی حادثه نخستین پرسشش این باشد که «چه کسی مقصر بود؟»، فرهنگ گزارشدهی تضعیف میشود. اما اگر بپرسد «سیستم چگونه اجازه داد چنین وضعیتی ایجاد شود؟»، مسیر یادگیری باز میشود. البته در موارد رفتار عمدی، نقض آگاهانه مقررات حیاتی یا بیتوجهی جدی به جان دیگران، سازمان باید پاسخگویی روشن داشته باشد. عدالت سازمانی یعنی نه تنبیه کورکورانه، نه چشمپوشی بیمسئولیت.
20.9.2. اخلاق گزارشدهی و خطر دستکاری دادهها
گزارشدهی HSE یک فعالیت اخلاقی نیز هست، زیرا دادهها و تفسیرها میتوانند بر جان انسانها، سلامت کارکنان، محیطزیست، اعتبار سازمان و تصمیمهای سرمایهگذاری اثر بگذارند. هرگونه دستکاری، پنهانسازی، طبقهبندی نادرست یا ارائه گزینشی دادهها میتواند پیامدهای جدی داشته باشد. گاهی این دستکاری آشکار است؛ مانند ثبت نکردن حادثه یا تغییر طبقهبندی آن برای کاهش نرخ آسیب. اما گاهی ظریفتر است؛ مانند برجسته کردن شاخصهای مثبت، حذف توضیح درباره محدودیت داده، یا استفاده از میانگینهایی که نقاط بحرانی را پنهان میکنند.
فشار برای دستیابی به اهداف عددی میتواند رفتارهای ناخواسته ایجاد کند. اگر مدیران صرفاً بر کاهش نرخ حادثه تأکید کنند، برخی واحدها ممکن است بهجای کاهش واقعی ریسک، گزارشدهی را کاهش دهند. اگر پاداش پیمانکار فقط بر اساس «صفر حادثه» باشد، پیمانکار ممکن است حادثههای جزئی یا شبهحوادث را ثبت نکند. این مسئله نمونهای از همان پدیدهای است که در ادبیات مدیریت عملکرد با قانون گودهارت توضیح داده میشود: وقتی یک معیار به هدف تبدیل شود، ممکن است خاصیت خود را بهعنوان معیار از دست بدهد (Strathern, 1997).
از منظر اخلاق حرفهای، گزارش HSE باید صادقانه، قابل ردیابی، متوازن و قابل دفاع باشد. صادقانه بودن به این معناست که دادهها بدون تحریف ارائه شوند. قابل ردیابی بودن یعنی بتوان منشأ داده، روش محاسبه و فرضهای تحلیلی را بررسی کرد. متوازن بودن یعنی گزارش هم موفقیتها و هم ضعفها را نشان دهد. قابل دفاع بودن یعنی اگر گزارش در معرض ممیزی، بررسی قانونی یا پرسش ذینفعان قرار گیرد، سازمان بتواند روش و نتیجه خود را توضیح دهد.
در گزارشهای بیرونی، این موضوع اهمیت بیشتری پیدا میکند. سازمانها ممکن است وسوسه شوند تصویر بسیار مثبتی از عملکرد HSE و محیطزیست ارائه دهند. اما گزارشدهی گزینشی، بهویژه در حوزه محیطزیست و پایداری، میتواند به اتهام سبزشویی منجر شود. Delmas and Burbano (2011) نشان میدهند که شکاف میان ادعاهای زیستمحیطی و عملکرد واقعی میتواند اعتماد عمومی را تضعیف کند. در HSE نیز اعتماد ذینفعان زمانی حفظ میشود که سازمان علاوه بر دستاوردها، چالشها، ریسکهای باقیمانده و برنامههای اصلاحی را نیز شفاف بیان کند.
20.9.3. حکمرانی داده در HSE
حکمرانی داده در HSE به مجموعه سیاستها، نقشها، استانداردها و فرایندهایی گفته میشود که تضمین میکنند دادهها بهدرستی تعریف، جمعآوری، ذخیره، محافظت، تحلیل، بهاشتراک گذاشته و استفاده میشوند. اگر دادههای HSE قرار است مبنای تصمیم باشند، باید معلوم باشد مالک داده کیست، چه کسی مجاز به تغییر آن است، چه تعاریفی معتبرند، کیفیت داده چگونه کنترل میشود، سطح دسترسی چگونه تعیین میشود و دادهها تا چه زمانی نگهداری میشوند.
یکی از مشکلات رایج آن است که مسئولیت داده در سازمانها مبهم است. برای نمونه، ممکن است داده حادثه توسط سرپرست ثبت شود، توسط کارشناس HSE تکمیل گردد، توسط مدیر واحد تأیید شود و در داشبورد مدیریت ارشد نمایش یابد؛ اما اگر داده ناقص یا نادرست باشد، معلوم نباشد چه کسی پاسخگوست. حکمرانی داده این زنجیره را روشن میکند. در نظام بالغ، برای هر گروه داده باید مالک داده، متولی کیفیت، کاربران مجاز و قواعد اصلاح مشخص باشد.
حکمرانی داده همچنین باید از یکپارچگی و ثبات تعاریف محافظت کند. اگر یک واحد سازمانی تعریف خاص خود را از «اقدام اصلاحی بستهشده» داشته باشد و واحد دیگر تعریف متفاوتی، داشبورد سازمانی بیاعتبار میشود. بنابراین، واژهنامه داده، کدگذاری مشترک، ساختار طبقهبندی رخدادها، روش محاسبه شاخصها و قواعد تغییر داده باید مستند و کنترلشده باشند. این امر بهویژه در سازمانهای بزرگ، چندسایتی و پروژهمحور اهمیت دارد.
از سوی دیگر، حکمرانی داده فقط محدود به کنترل و استانداردسازی نیست؛ بلکه باید استفاده مسئولانه از داده را نیز هدایت کند. دادههای HSE میتوانند شامل اطلاعات حساس درباره سلامت کارکنان، رفتار افراد، موقعیت مکانی، مواجهههای شغلی، عملکرد پیمانکاران و رخدادهای عملیاتی باشند. بنابراین، سازمان باید میان نیاز مدیریتی به داده و حق افراد برای حفظ حریم خصوصی تعادل برقرار کند. اصل حداقلسازی داده، محدودسازی دسترسی، ناشناسسازی در تحلیلهای عمومی و حفاظت امنیتی از دادهها از الزامات مهم این حوزهاند.
20.9.4. حریم خصوصی، امنیت اطلاعات و دادههای حساس
با دیجیتال شدن نظامهای HSE، حجم دادههای حساس افزایش یافته است. سامانههای پایش سلامت شغلی، ابزارهای پوشیدنی، حسگرهای موقعیتیاب، دوربینهای هوشمند، تحلیل تصویر، سامانههای مدیریت تردد و پایش خستگی میتوانند برای کاهش ریسک مفید باشند؛ اما اگر بدون قواعد روشن استفاده شوند، نگرانیهای جدی درباره حریم خصوصی و نظارت افراطی ایجاد میکنند.
برای مثال، استفاده از ابزار پوشیدنی برای پایش مواجهه با گرما یا گازهای خطرناک میتواند از سلامت کارکنان محافظت کند. اما اگر همان دادهها برای کنترل رفتاری نامتناسب، ارزیابی انضباطی یا فشار کاری استفاده شوند، اعتماد کارکنان از بین میرود. بنابراین، سازمان باید پیش از استقرار چنین فناوریهایی، هدف استفاده، نوع داده، مدت نگهداری، سطح دسترسی، نحوه تحلیل و حقوق افراد را شفاف کند.
امنیت اطلاعات نیز بخش مهمی از حکمرانی داده HSE است. دادههای مربوط به حوادث، ضعفهای کنترلی، مواد خطرناک، سامانههای بحرانی، آسیبپذیریهای عملیاتی و برنامههای اضطراری در صورت افشای نامناسب میتوانند خطرساز شوند. از این رو، باید برای ذخیرهسازی، انتقال، پشتیبانگیری، دسترسی و حذف دادهها قواعد مشخص وجود داشته باشد. استانداردهایی مانند ISO/IEC 27001 میتوانند چارچوبی برای مدیریت امنیت اطلاعات فراهم کنند، هرچند اجرای آنها باید متناسب با ماهیت و ریسک سازمان باشد (ISO/IEC, 2022).
در کنار امنیت فنی، امنیت رفتاری نیز اهمیت دارد. بسیاری از رخنههای اطلاعاتی ناشی از ضعف گذرواژه، ارسال فایل به افراد نامجاز، استفاده از ابزارهای غیررسمی، یا بیتوجهی به طبقهبندی اطلاعات است. بنابراین، آموزش کاربران، تعریف سطوح محرمانگی و ممیزی دسترسیها باید بخشی از نظام گزارشدهی دیجیتال HSE باشد.
20.9.5. سوگیری داده و عدالت در تحلیلهای HSE
دادههای HSE ممکن است سوگیرانه باشند. برای نمونه، واحدهایی که فرهنگ گزارشدهی بهتری دارند ممکن است تعداد رخداد و شبهحادثه بیشتری ثبت کنند و در ظاهر پرریسکتر به نظر برسند؛ در حالی که واحدهای کمگزارشدهنده ممکن است بهاشتباه ایمنتر دیده شوند. اگر تحلیلگر این تفاوت فرهنگی را در نظر نگیرد، تصمیمهای مدیریتی ناعادلانه و گمراهکننده خواهد بود.
سوگیری میتواند در مراحل مختلف رخ دهد: در مشاهده، ثبت، طبقهبندی، تحلیل، تفسیر و ارائه. کارکنان ممکن است برخی رخدادها را قابل گزارش ندانند. سرپرستان ممکن است از ثبت موارد حساس اجتناب کنند. کارشناسان ممکن است بر اساس تجربه قبلی خود برخی علل را برجستهتر ببینند. الگوریتمهای هوش مصنوعی نیز ممکن است سوگیری دادههای تاریخی را بازتولید کنند. به همین دلیل، تحلیل HSE باید همواره با پرسش از کیفیت و نمایندگی داده همراه باشد.
عدالت در تحلیل به این معناست که دادهها نباید بدون توجه به زمینه برای قضاوت درباره افراد یا واحدها استفاده شوند. برای مثال، مقایسه نرخ حوادث دو پیمانکار بدون توجه به نوع کار، میزان مواجهه، پیچیدگی عملیات، مدت حضور، سطح ریسک فعالیت و کیفیت گزارشدهی میتواند ناعادلانه باشد. گزارشدهی حرفهای باید زمینه را وارد تحلیل کند و از رتبهبندیهای سادهانگارانه بپرهیزد.
20.9.6. نقش رهبری در اخلاق و حکمرانی گزارشدهی
رهبری سازمانی تعیین میکند که دادههای HSE چگونه معنا شوند. اگر رهبران سازمان فقط عددهای خوب بخواهند، سیستم بهتدریج عددهای خوب تولید میکند؛ حتی اگر واقعیت چنین نباشد. اما اگر رهبران پرسشهای درست بپرسند، عدمقطعیت را بپذیرند، گزارشهای ناخوشایند را تنبیه نکنند و برای اصلاح ریشهای منابع اختصاص دهند، گزارشدهی به ابزار یادگیری تبدیل میشود.
رفتار مدیران در جلسات مرور عملکرد بسیار مهم است. پرسشهایی مانند «چه چیزی را هنوز نمیدانیم؟»، «کدام داده ممکن است ناقص باشد؟»، «آیا کاهش گزارشها نشانه بهبود است یا سکوت؟»، «کدام کنترل حیاتی بیشترین نگرانی را ایجاد میکند؟» و «برای کاهش ریسک چه تصمیمی باید امروز بگیریم؟» فرهنگ تحلیلی و مسئولانه ایجاد میکند. در مقابل، پرسشهای صرفاً تنبیهی یا نمایشی باعث میشود افراد داده را مدیریت کنند، نه ریسک را.
حکمرانی مؤثر داده HSE در نهایت به ترکیب سه عنصر نیاز دارد: قواعد روشن، فناوری مناسب و رهبری اخلاقی. قواعد بدون رهبری به تشریفات تبدیل میشوند. فناوری بدون اخلاق میتواند به ابزار کنترل نادرست یا نمایش ظاهری بدل شود. و رهبری بدون داده معتبر، تصمیمهای خود را بر شهود ناقص بنا میکند. بلوغ واقعی زمانی شکل میگیرد که این سه عنصر در کنار هم قرار گیرند.
.
20.10. جمعبندی تحلیلی فصل
گزارشدهی، داشبورد و پشتیبانی تصمیم در HSE حلقه اتصال میان دادههای عملیاتی و تصمیمهای مدیریتیاند. سازمانها روزانه حجم زیادی داده درباره رخدادها، بازرسیها، ممیزیها، آموزشها، اقدامات اصلاحی، مواجهههای شغلی، آلایندهها، پیمانکاران و فعالیتهای پرخطر تولید میکنند؛ اما ارزش این دادهها فقط زمانی آشکار میشود که به فهم، یادگیری و اقدام منجر شوند. از این رو، گزارشدهی HSE را باید فراتر از تهیه چند جدول و نمودار دانست. گزارشدهی، فرایند ساختن تصویر معتبر از وضعیت ریسک و عملکرد است.
در این فصل تأکید شد که گزارشدهی HSE سه کارکرد اصلی دارد: پاسخگویی، یادگیری و کنترل ریسک. پاسخگویی بدون یادگیری ممکن است به تشریفات و دفاع سازمانی تبدیل شود. یادگیری بدون پاسخگویی ممکن است اثر مدیریتی کافی نداشته باشد. کنترل ریسک نیز بدون داده معتبر و تحلیل درست، بیشتر بر حدس و تجربه پراکنده تکیه خواهد کرد. بنابراین، نظام گزارشدهی بالغ باید این سه کارکرد را همزمان حفظ کند.
یکی از پیامهای محوری فصل این بود که کیفیت داده، زیربنای تصمیم خوب است. دادههای ناقص، دیرهنگام، ناسازگار یا سوگیرانه میتوانند داشبوردهای زیبا اما گمراهکننده تولید کنند. برای جلوگیری از این وضعیت، سازمان باید معماری اطلاعات HSE، استانداردهای تعریف داده، روشهای کنترل کیفیت، مسئولیتهای داده و سازوکارهای بازبینی را مشخص کند. بدون چنین معماریای، دادهها در جزیرههای سازمانی باقی میمانند و الگوهای مهم ریسک دیده نمیشوند.
در بحث شاخصها نیز روشن شد که هیچ شاخص منفردی نمیتواند تصویر کامل عملکرد HSE را ارائه دهد. شاخصهای پسنگر برای فهم پیامدها لازماند، اما برای پیشگیری کافی نیستند. پس شاخصهای پیشرو وضعیت کنترلها و ظرفیتهای پیشگیرانه را نشان میدهند، اما اگر با منطق ریسک پیوند نخورند، به شمارش فعالیتهای اداری تبدیل میشوند. شاخصهای زمینهای نیز فشارها و شرایط عملیاتی را آشکار میکنند. بنابراین، سازمانها به بستهای متوازن از شاخصها نیاز دارند که پیامد، کنترل، یادگیری، ظرفیت سازمانی و زمینه ریسک را همزمان پوشش دهد.
داشبورد HSE نیز باید بهعنوان ابزار هدایت توجه و آغاز گفتوگوی مدیریتی فهمیده شود، نه پایان تحلیل. داشبورد خوب به مدیر کمک میکند بداند کجا باید مکث کند، چه چیزی نیازمند بررسی است و چه تصمیمی باید گرفته شود. اما داشبورد بد ممکن است با رنگها، نمودارها و میانگینهای جذاب، ریسک را سادهسازی یا پنهان کند. در طراحی داشبورد، تناسب با مخاطب، سادگی بصری، آستانههای معنادار، نمایش زمینه و روایت تحلیلی اهمیت اساسی دارد.
بخش تحلیل داده و پشتیبانی تصمیم نشان داد که سازمانها باید از گزارشدهی صرفاً توصیفی فراتر بروند. تحلیل روند، الگو، انحراف، علل زمینهای و وضعیت کنترلها میتواند به تصمیمهای بهتر درباره اولویتبندی اقدامات، تخصیص منابع، مدیریت پیمانکاران و کنترل ریسک کمک کند. با این حال، تصمیمگیری در HSE همواره با عدمقطعیت همراه است. بنابراین، تحلیلگران باید محدودیت داده، کیفیت دانش و زمینه عملیاتی را شفاف بیان کنند و مدیران نیز نباید از دادهها انتظار قطعیت غیرواقعی داشته باشند.
در گزارشدهی مدیریتی و بیرونی نیز تأکید شد که هر مخاطب به نوع خاصی از گزارش نیاز دارد. گزارش خط مقدم باید عملیاتی و فوری باشد؛ گزارش مدیران میانی باید بر روندها، کنترلها و منابع تمرکز کند؛ و گزارش مدیریت ارشد و هیئتمدیره باید ریسکهای عمده، کنترلهای حیاتی، تصمیمهای راهبردی و پیامدهای سازمانی را نشان دهد. در گزارشدهی بیرونی و پایداری نیز صداقت، شفافیت، قابلیت ردیابی و پرهیز از ارائه گزینشی دادهها اهمیت ویژه دارد.
فناوریهای نوین مانند سامانههای دیجیتال، اینترنت اشیا، حسگرها، هوش مصنوعی و تحلیل پیشبینانه فرصتهای مهمی برای ارتقای گزارشدهی HSE فراهم کردهاند. این فناوریها میتوانند دادهها را سریعتر، دقیقتر و گستردهتر کنند و الگوهایی را آشکار سازند که با روشهای سنتی کمتر دیده میشوند. با این حال، فناوری جایگزین فرهنگ، قضاوت حرفهای و مسئولیت مدیریتی نیست. اگر دادهها ضعیف باشند یا فرایند تصمیمگیری روشن نباشد، فناوری فقط پیچیدگی را افزایش میدهد یا خطا را در قالبی پیشرفتهتر بازتولید میکند.
در نهایت، فصل نشان داد که گزارشدهی HSE یک فعالیت اخلاقی و فرهنگی نیز هست. اعتماد، عدالت سازمانی، حریم خصوصی، امنیت داده، پرهیز از دستکاری شاخصها و حکمرانی داده، همگی برای اعتبار نظام گزارشدهی ضروریاند. سازمانهایی که فقط به عددهای خوب پاداش میدهند، ممکن است بهتدریج واقعیتهای بد را نبینند. اما سازمانهایی که دادههای ناخوشایند را فرصتی برای یادگیری میدانند، ظرفیت بیشتری برای پیشگیری از حوادث و بهبود پایدار خواهند داشت.
به بیان خلاصه، گزارشدهی خوب HSE یعنی تبدیل تجربه به داده، داده به تحلیل، تحلیل به تصمیم و تصمیم به اقدام. این چرخه زمانی کامل میشود که پس از اقدام، دوباره یادگیری و بازخورد شکل گیرد. بنابراین، گزارشدهی نباید فعالیتی پسینی و اداری باشد؛ بلکه باید بخشی زنده از نظام مدیریت ریسک و یادگیری سازمانی باشد. آینده HSE متعلق به سازمانهایی است که نه فقط بیشتر داده جمعآوری میکنند، بلکه بهتر میبینند، عمیقتر میفهمند و مسئولانهتر تصمیم میگیرند.
.
منابع
Argyris, C. (1990). Overcoming organizational defenses: Facilitating organizational learning. Allyn and Bacon.
Aven, T. (2016). Risk assessment and risk management: Review of recent advances on their foundation. European Journal of Operational Research, 253(1), 1–13.
Baker, W. E., & Sinkula, J. M. (1999). The synergistic effect of market orientation and learning orientation on organizational performance. Journal of the Academy of Marketing Science, 27(4), 411–427. https://doi.org/10.1177/0092070399274002
Berg, H. P. (2010). Risk management: Procedures, methods and experiences. RT&A, 1(17), 79–95
Center for Chemical Process Safety. (2011). Process safety leading and lagging metrics. American Institute of Chemical Engineers.
Davenport, T. H., & Harris, J. G. (2017). Competing on analytics: Updated, with a new introduction. Harvard Business Review Press
Dekker, S. (2012). Just culture: Balancing safety and accountability (2nd ed.). Ashgate
Dekker, S. (2014). The field guide to understanding human error (3rd ed.). CRC Press
Delmas, M. A., & Burbano, V. C. (2011). The drivers of greenwashing. California Management Review, 54(1), 64–87
Few, S. (2013). Information dashboard design: Displaying data for at-a-glance monitoring (2nd ed.). Analytics Press
Flin, R., O’Connor, P., & Crichton, M. (2008). Safety at the sharp end: A guide to non-technical skills. Ashgate
Global Reporting Initiative. (2021). GRI 403: Occupational health and safety 2018; GRI 306: Waste 2020; GRI 305: Emissions 2016. GRI.
Hollnagel, E. (2014). Safety-I and Safety-II: The past and future of safety management. Ashgate
Hopkins, A. (2009). Thinking about process safety indicators. Safety Science, 47(4), 460–465
International Association of Oil & Gas Producers. (2020). Safety performance indicators: Process safety events. IOGP Report 456.
International Organization for Standardization. (2018a). ISO 31000:2018 Risk management — Guidelines. ISO
International Organization for Standardization. (2018b). ISO 45001:2018 Occupational health and safety management systems — Requirements with guidance for use. ISO.
International Organization for Standardization. (2015). ISO 14001:2015 Environmental management systems — Requirements with guidance for use. ISO.
International Organization for Standardization/International Electrotechnical Commission. (2022). ISO/IEC 27001:2022 Information security, cybersecurity and privacy protection — Information security management systems — Requirements. ISO/IEC.
International Sustainability Standards Board. (2023). IFRS S1 General requirements for disclosure of sustainability-related financial information; IFRS S2 Climate-related disclosures. IFRS Foundation.
Knegtering, B., & Pasman, H. J. (2009). Safety of the process industries in the 21st century: A changing need of process safety management for a changing industry. Journal of Loss Prevention in the Process Industries, 22(2), 162–168. https://doi.org/10.1016/j.jlp.2008.11.005
Krause, T. R. (2005). Leading with safety. Wiley
Laursen, G. H. N., & Thorlund, J. (2017). Business analytics for managers: Taking business intelligence beyond reporting (2nd ed.). Wiley.
Leveson, N. G. (2015). A systems approach to risk management through leading safety indicators. Reliability Engineering & System Safety, 136, 17–34. https://doi.org/10.1016/j.ress.2014.10.008
Marr, B. (2015). Key performance indicators: The 75 measures every manager needs to know. Pearson
Marr, B. (2016). Big data in practice: How 45 successful companies used big data analytics to deliver extraordinary results. Wiley.
National Academies of Sciences, Engineering, and Medicine. (2018). Data science for undergraduates: Opportunities and options. National Academies Press. https://doi.org/10.17226/25104
Parmenter, D. (2015). Key performance indicators: Developing, implementing, and using winning KPIs (3rd ed.). Wiley.
Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253.
Reason, J. (1997). Managing the risks of organizational accidents. Ashgate.
Redman, T. C. (2013). Data driven: Profiting from your most important business asset. Harvard Business Review Press.
Rasmussen, J. (1997). Risk management in a dynamic society: A modelling problem. Safety Science, 27(2–3), 183–213. https://doi.org/10.1016/S0925-7535(97)00052-0
Robson, L. S., Macdonald, S., Gray, G. C., Van Eerd, D. L., & Bigelow, P. L. (2012). A descriptive study of the OHS management auditing methods used by public sector organizations conducting audits of workplaces: Implications for audit reliability and validity. Safety Science, 50(2), 181–189. https://doi.org/10.1016/j.ssci.2011.08.006
Sadiq, S., & Indulska, M. (2017). Open data: Quality over quantity. International Journal of Information Management, 37(3), 150–154. https://doi.org/10.1016/j.ijinfomgt.2017.01.003
Salmon, P. M., Cornelissen, M., & Trotter, M. J. (2012). Systems-based accident analysis methods: A comparison of Accimap, HFACS, and STAMP. Safety Science, 50(4), 1158–1170. https://doi.org/10.1016/j.ssci.2011.11.009
Sinelnikov, S., Inouye, J., & Kerper, S. (2015). Using leading indicators to measure occupational health and safety performance. Safety Science, 72, 240–248.
Strathern, M. (1997). “Improving ratings”: Audit in the British university system. European Review, 5(3), 305–321
Stolzer, A. J., Halford, C. D., & Goglia, J. J. (2015). Safety management systems in aviation (2nd ed.). Ashgate
Tixier, A. J. P., Hallowell, M. R., Rajagopalan, B., & Bowman, D. (2016). Application of machine learning to construction injury prediction. Automation in Construction, 69, 102–114.
Tufte, E. R. (2001). The visual display of quantitative information (2nd ed.). Graphics Press
Wachter, J. K., & Yorio, P. L. (2014). A system of safety management practices and worker engagement for reducing and preventing accidents: An empirical and theoretical investigation. Accident Analysis & Prevention, 68, 117–130. https://doi.org/10.1016/j.aap.2013.07.029
Wheeler, D. J. (2000). Understanding variation: The key to managing chaos (2nd ed.). SPC Press
Zhang, J., Li, H., Wang, H., Skitmore, M., & Ballesteros-Pérez, P. (2020). A scientometric review of safety risk management in construction. Safety Science, 123, 104556.
Zio, E. (2018). The future of risk assessment. Reliability Engineering & System Safety, 177, 176–190
Zwetsloot, G. I. J. M., Leka, S., Kines, P., & Jain, A. (2020). Vision zero: Developing proactive leading indicators for safety, health and wellbeing at work. Safety Science, 130, 104890.
