فصل ۲۱. طراحی و استقرار نظام جامع هوشمند پایش عملکرد HSE:بخش اول

فهرست کلی فصل ۲۱

21.1. جایگاه نظام جامع هوشمند پایش عملکرد HSE در مدیریت معاصر

21.2. منطق طراحی نظام جامع: از پایش پراکنده تا معماری یکپارچه عملکرد

21.3. الزامات راهبردی و سازمانی پیش از استقرار

21.4. معماری داده و زیرساخت دیجیتال نظام پایش HSE

21.5. طراحی شاخص‌ها، مدل تحلیلی و موتور هوشمند تصمیم‌یار

21.6. فرایند استقرار مرحله‌ای و مدیریت تغییر

21.7. حکمرانی، امنیت، اخلاق و کیفیت داده در نظام هوشمند

21.8. ارزیابی بلوغ، پایش اثربخشی و بهبود مستمر نظام

21.9. چالش‌های اجرایی، خطاهای رایج و الزامات موفقیت

21.10. جمع‌بندی تحلیلی فصل

.

21.1. جایگاه نظام جامع هوشمند پایش عملکرد HSE در مدیریت معاصر

21.1.1. چرا پایش عملکرد HSE باید هوشمند و جامع شود؟

در سال‌های گذشته، بسیاری از سازمان‌ها نظام‌های HSE خود را بر پایه گزارش‌های دوره‌ای، فرم‌های کاغذی، فایل‌های پراکنده، داشبوردهای ساده و جلسات مرور عملکرد اداره کرده‌اند. این روش‌ها در زمان خود مفید بوده‌اند و هنوز هم در برخی محیط‌ها اثرگذارند؛ اما پیچیدگی عملیات صنعتی، توسعه پیمانکاری، افزایش الزامات قانونی، فشارهای پایداری، تحول دیجیتال و حساسیت روزافزون نسبت به سلامت، ایمنی و محیط‌زیست نشان داده است که پایش سنتی دیگر به‌تنهایی پاسخ‌گو نیست. سازمانی که امروز با پروژه‌های چندسایتی، زنجیره تأمین گسترده، ریسک‌های فرایندی، داده‌های حسگری، الزامات ESG و انتظارات ذی‌نفعان روبه‌روست، نمی‌تواند فقط با گزارش‌های ماهانه و شاخص‌های پس‌نگر، عملکرد HSE خود را بفهمد.

نظام جامع هوشمند پایش عملکرد HSE پاسخی به همین نیاز است. مقصود از «جامع» بودن آن است که نظام پایش، همه سطوح عملکرد HSE را از رخدادهای ایمنی و مواجهه‌های بهداشتی تا آلایندگی، پسماند، کنترل‌های حیاتی، پیمانکاران، آموزش، فرهنگ ایمنی و اقدامات اصلاحی در یک چارچوب منسجم ببیند. مقصود از «هوشمند» بودن نیز صرفاً استفاده از نرم‌افزار یا هوش مصنوعی نیست؛ بلکه توانایی نظام برای تبدیل داده به بینش، تشخیص الگو، هشدار به‌موقع، اولویت‌بندی ریسک، پشتیبانی از تصمیم و یادگیری سازمانی است.

در ادبیات جدید مدیریت ایمنی، فاصله گرفتن از نگاه واکنشی و حرکت به‌سوی پایش پیش‌نگر و مبتنی بر کنترل‌ها یک روند جدی است. Hollnagel (2014) در بحث Safety-II تأکید می‌کند که سازمان‌ها نباید فقط شکست‌ها را مطالعه کنند، بلکه باید بفهمند چرا کارها در بیشتر مواقع درست انجام می‌شوند. از سوی دیگر، Leveson (2011) با رویکرد سیستمی STAMP نشان می‌دهد که حوادث معمولاً حاصل نقص در کنترل‌های سیستمی و تعاملات پیچیده‌اند، نه فقط خطاهای منفرد انسانی. این نگاه‌ها برای طراحی نظام هوشمند پایش HSE اهمیت دارند، زیرا ما را از شمارش حوادث به‌سوی فهم پویایی کنترل ریسک هدایت می‌کنند.

در عمل، هوشمندسازی پایش HSE به معنای ساختن سامانه‌ای است که بتواند به چند پرسش کلیدی پاسخ دهد: ریسک‌های اصلی سازمان کجا هستند؟ کنترل‌های حیاتی در چه وضعیتی قرار دارند؟ کدام واحدها، فعالیت‌ها یا پیمانکاران نیازمند توجه فوری‌اند؟ کدام الگوهای ضعیف هنوز به حادثه تبدیل نشده‌اند؟ آیا کاهش شاخص‌های حادثه نشانه بهبود واقعی است یا کاهش گزارش‌دهی؟ آیا سرمایه‌گذاری‌های HSE واقعاً به کاهش ریسک منجر شده‌اند؟ این پرسش‌ها فقط با داده خام پاسخ داده نمی‌شوند؛ بلکه نیازمند معماری داده، مدل تحلیلی، حکمرانی، فرهنگ گزارش‌دهی و تصمیم‌گیری مدیریتی‌اند.

21.1.2. نسبت نظام هوشمند پایش با مدیریت ریسک و حکمرانی HSE

پایش عملکرد HSE زمانی ارزشمند است که با مدیریت ریسک پیوند داشته باشد. اگر شاخص‌ها فقط برای گزارش‌دهی اداری تولید شوند، نظام پایش به یک سازوکار نمایشی تبدیل می‌شود. اما اگر شاخص‌ها، داده‌ها و تحلیل‌ها مستقیماً به شناسایی خطر، ارزیابی ریسک، کنترل‌های عملیاتی، تصمیم سرمایه‌گذاری، تخصیص منابع و پاسخ‌گویی مدیریتی متصل باشند، پایش عملکرد به بخشی از نظام حکمرانی HSE تبدیل می‌شود.

ISO 45001:2018 و ISO 14001:2015 هر دو بر پایش، اندازه‌گیری، تحلیل و ارزیابی عملکرد تأکید دارند، اما نکته مهم آن است که پایش در این استانداردها فقط یک الزام مستندسازی نیست. پایش باید نشان دهد سیستم مدیریت تا چه اندازه مؤثر است، الزامات قانونی رعایت شده‌اند یا نه، اهداف محقق شده‌اند یا نه، و چه اصلاحاتی لازم است (International Organization for Standardization [ISO], 2015, 2018). در سطح مدیریت ریسک نیز ISO 31000:2018 پایش و بازنگری را جزء جدایی‌ناپذیر چرخه مدیریت ریسک می‌داند، زیرا ریسک‌ها، کنترل‌ها و زمینه سازمانی ثابت نمی‌مانند (ISO, 2018).

از این منظر، نظام جامع هوشمند پایش HSE را می‌توان ستون اطلاعاتی حکمرانی HSE دانست. حکمرانی یعنی تعیین جهت، ایجاد پاسخ‌گویی، نظارت بر عملکرد و اطمینان از اینکه تصمیم‌ها با ریسک‌های واقعی هم‌خوان‌اند. بدون داده معتبر، حکمرانی به شهود و گزارش‌های موردی وابسته می‌شود. پس بدون تحلیل، داده‌ها انباشته می‌شوند اما تصمیم نمی‌سازند. بدون اخلاق و فرهنگ، داده‌ها دستکاری یا پنهان می‌شوند. بنابراین، طراحی این نظام باید هم‌زمان فنی، مدیریتی و انسانی باشد.

21.2. منطق طراحی نظام جامع: از پایش پراکنده تا معماری یکپارچه عملکرد

21.2.1. محدودیت‌های پایش پراکنده و جزیره‌ای

در بسیاری از سازمان‌ها داده‌های HSE در سامانه‌ها و واحدهای مختلف پراکنده‌اند. اطلاعات حادثه در یک نرم‌افزار ثبت می‌شود، داده‌های آموزش در فایل منابع انسانی نگهداری می‌شود، نتایج پایش محیط‌زیست در گزارش‌های آزمایشگاه باقی می‌ماند، بازرسی‌ها در فرم‌های جداگانه ذخیره می‌شوند، و داده‌های پیمانکاران در سیستم تدارکات یا مدیریت پروژه قرار دارند. در چنین شرایطی، هر بخش تصویری محدود و محلی از عملکرد دارد، اما سازمان تصویر جامع ندارد.

مشکل پایش پراکنده فقط دشواری دسترسی به داده نیست. مسئله عمیق‌تر آن است که روابط میان داده‌ها دیده نمی‌شود. برای مثال، اگر افزایش شبه‌حوادث در یک کارگاه هم‌زمان با افزایش اضافه‌کاری، تغییر پیمانکار، عقب‌ماندگی برنامه پروژه و کاهش حضور سرپرستان رخ دهد، سازمان باید بتواند این هم‌زمانی را تحلیل کند. اما وقتی داده‌ها جدا از هم نگهداری شوند، چنین الگوهایی پنهان می‌مانند. در نتیجه، سازمان ممکن است حادثه را پس از وقوع بررسی کند، در حالی که نشانه‌های هشداردهنده پیش‌تر در داده‌ها وجود داشته‌اند.

پژوهش‌های حوزه تحلیل ایمنی نشان داده‌اند که داده‌های حادثه به‌تنهایی برای پیش‌بینی یا کنترل عملکرد ایمنی کافی نیستند. Sinelnikov et al. (2015) تأکید می‌کنند که شاخص‌های پیشرو باید به فرایندها، کنترل‌ها و ظرفیت‌های پیشگیرانه متصل باشند. همچنین Hopkins (2009) هشدار می‌دهد که اتکا به شاخص‌های پس‌نگر، به‌ویژه در صنایع پرخطر، می‌تواند حس کاذب ایمنی ایجاد کند؛ زیرا دوره‌های طولانی بدون حادثه لزوماً نشان‌دهنده کنترل مناسب ریسک‌های فاجعه‌آمیز نیست.

21.2.2. معماری یکپارچه عملکرد HSE

طراحی نظام جامع از یک پرسش بنیادین آغاز می‌شود: سازمان دقیقاً چه چیزی را می‌خواهد پایش کند؟ پاسخ ساده «عملکرد HSE» کافی نیست. عملکرد HSE چندلایه است و باید در معماری نظام به‌صورت روشن تفکیک شود. من معمولاً در طراحی چنین نظامی پنج لایه را از هم جدا می‌کنم: پیامدها، کنترل‌ها، فرایندها، ظرفیت‌ها و زمینه.

لایه پیامدها شامل حوادث، آسیب‌ها، بیماری‌های شغلی، انتشار آلاینده‌ها، تخلفات زیست‌محیطی، خسارات و رخدادهای فرایندی است. این لایه به ما می‌گوید چه اتفاقی افتاده است. لایه کنترل‌ها وضعیت موانع، کنترل‌های حیاتی، مجوزهای کار، تجهیزات حفاظتی، سیستم‌های اضطراری و کنترل‌های مهندسی را نشان می‌دهد. این لایه می‌گوید چه چیزی مانع وقوع حادثه می‌شود و آیا هنوز مؤثر است یا نه. لایه فرایندها شامل بازرسی، ممیزی، آموزش، مدیریت تغییر، ارزیابی ریسک، مدیریت پیمانکار و رسیدگی به اقدامات اصلاحی است. پس لایه ظرفیت‌ها به شایستگی، منابع، رهبری، فرهنگ گزارش‌دهی و آمادگی سازمانی مربوط می‌شود. لایه زمینه نیز فشار تولید، تغییرات عملیاتی، شرایط آب‌وهوایی، پیچیدگی کار، حجم فعالیت و وضعیت پیمانکاران را نشان می‌دهد.

این تفکیک به ما کمک می‌کند که نظام پایش را از یک مجموعه شاخص ساده به یک مدل عملکرد تبدیل کنیم. Kaplan and Norton (1996) در کارت امتیازی متوازن نشان دادند که عملکرد سازمانی باید از چند منظر دیده شود؛ هرچند مدل آنان برای HSE کافی نیست، اما ایده توازن در سنجش همچنان مفید است. در HSE نیز باید میان پیامدهای نهایی، محرک‌های عملکرد، کنترل‌های ریسک و زمینه عملیاتی توازن برقرار شود. چنین معماری‌ای امکان می‌دهد داشبوردها و تحلیل‌ها فقط گذشته را نشان ندهند، بلکه وضعیت پیشگیرانه سازمان را نیز قابل مشاهده کنند.

21.3. الزامات راهبردی و سازمانی پیش از استقرار

21.3.1. هم‌راستایی با راهبرد، ریسک و مدل کسب‌وکار

استقرار نظام هوشمند پایش HSE نباید با خرید نرم‌افزار شروع شود. این یکی از خطاهای رایج سازمان‌هاست. نرم‌افزار ابزار است، نه نقطه آغاز. نقطه آغاز باید فهم راهبرد، ریسک‌های اصلی، ساختار عملیات، مدل پیمانکاری، الزامات قانونی و انتظارات ذی‌نفعان باشد. برای یک شرکت پتروشیمی، پایش کنترل‌های فرایندی و انتشار آلاینده‌ها ممکن است اولویت بالاتری داشته باشد. پس برای یک شرکت ساختمانی، مدیریت پیمانکاران، کار در ارتفاع، ماشین‌آلات و شرایط متغیر کارگاه اهمیت بیشتری دارد. برای یک بیمارستان، مواجهه‌های بیولوژیک، ارگونومی، پسماندهای عفونی و ایمنی بیمار ممکن است پررنگ‌تر باشد.

Aven (2016) یادآوری می‌کند که مدیریت ریسک فقط محاسبه احتمال و پیامد نیست، بلکه با عدم‌قطعیت، دانش، ارزش‌ها و تصمیم‌گیری در شرایط پیچیده سروکار دارد. بنابراین، نظام پایش باید با ماهیت ریسک‌های سازمان سازگار باشد. اگر ریسک‌های اصلی فرایندی‌اند، شاخص‌های اداری و آموزشی به‌تنهایی کافی نیستند.حالا اگر ریسک‌ها عمدتاً ناشی از پیمانکاران‌اند، نظام پایش باید داده‌های پیمانکاری را در مرکز تحلیل قرار دهد. اگر سازمان با فشارهای زیست‌محیطی و افشای پایداری روبه‌روست، پایش باید قابلیت ردیابی و گزارش‌دهی بیرونی نیز داشته باشد.

هم‌راستایی راهبردی به معنای آن است که مدیران ارشد بدانند این نظام قرار است چه تصمیم‌هایی را بهتر کند. آیا هدف کاهش حوادث شدید است؟ افزایش قابلیت اطمینان کنترل‌های حیاتی؟ بهبود پاسخ‌گویی پیمانکاران؟ کاهش ریسک‌های زیست‌محیطی؟ تقویت گزارش‌دهی ESG؟ یا همه این‌ها؟ پاسخ به این پرسش‌ها دامنه، شاخص‌ها، معماری داده و اولویت‌های استقرار را تعیین می‌کند.

21.3.2. نقش‌ها، مسئولیت‌ها و آمادگی سازمانی

هیچ نظام هوشمندی بدون سازمان آماده، موفق نمی‌شود. حتی پیشرفته‌ترین داشبوردها نیز اگر مالک داده، مسئول تحلیل، تصمیم‌گیرنده و پیگیر اقدام مشخص نباشد، به نمایشگرهای زیبا تبدیل می‌شوند. بنابراین، پیش از استقرار باید نقش‌ها روشن شوند: مالک نظام پایش کیست؟ مالک هر دسته داده کیست؟ چه کسی کیفیت داده را کنترل می‌کند؟ چه کسی تحلیل‌ها را تفسیر می‌کند؟ تصمیم اصلاحی در چه سطحی گرفته می‌شود؟ و اگر داده نشان دهد کنترلی بحرانی ناکارآمد است، چه کسی اختیار توقف کار یا تخصیص منابع را دارد؟

در تجربه اجرایی، من دیده‌ام که بسیاری از مشکلات استقرار نه از فناوری، بلکه از ابهام سازمانی ناشی می‌شود. واحد HSE انتظار دارد عملیات داده دقیق ثبت کند؛ عملیات انتظار دارد HSE تحلیل کند؛ فناوری اطلاعات انتظار دارد کاربر نیاز خود را دقیق بگوید؛ مدیریت ارشد انتظار داشبورد خلاصه دارد؛ و پیمانکاران نمی‌دانند داده‌هایشان چگونه ارزیابی خواهد شد. اگر این انتظارات از ابتدا روشن نشوند، نظام پایش به میدان اختلاف تبدیل می‌شود.

ادبیات مدیریت تغییر نیز بر همین نکته تأکید دارد. Kotter (1996) نشان می‌دهد که تحول سازمانی نیازمند ضرورت روشن، ائتلاف راهبر، چشم‌انداز قابل فهم، توانمندسازی و تثبیت تغییر است. در تحول دیجیتال نیز Vial (2019) تأکید می‌کند که فناوری دیجیتال زمانی ارزش ایجاد می‌کند که با تغییر در فرایندها، ساختارها و قابلیت‌های سازمانی همراه شود. بنابراین، طراحی نظام هوشمند پایش HSE باید هم‌زمان پروژه فناوری، پروژه فرایندی و پروژه فرهنگی تلقی شود.

21.4. معماری داده و زیرساخت دیجیتال نظام پایش HSE

21.4.1. منابع داده و جریان اطلاعات

نظام جامع هوشمند پایش HSE باید نقشه داده داشته باشد. نقشه داده مشخص می‌کند چه داده‌هایی از کجا تولید می‌شوند، چگونه ثبت می‌شوند، چه کیفیتی دارند، با چه شناسه‌هایی به هم متصل می‌شوند، در کجا ذخیره می‌شوند و چگونه تحلیل می‌گردند. منابع داده در HSE معمولاً متنوع‌اند: گزارش رخداد و شبه‌حادثه، مشاهدات ناایمن، بازرسی‌ها، ممیزی‌ها، مجوزهای کار، آموزش‌ها، ارزیابی ریسک، نتایج پایش سلامت شغلی، داده‌های بهداشت صنعتی، اندازه‌گیری آلاینده‌ها، پسماند، مصرف انرژی و آب، داده‌های تجهیزات، سیستم‌های تعمیرات و نگهداری، داده‌های پیمانکاران، اطلاعات منابع انسانی و داده‌های حسگری.

با گسترش اینترنت اشیا، بخشی از داده‌های HSE به‌صورت خودکار و نزدیک به زمان واقعی تولید می‌شود. حسگرهای گاز، دما، ارتعاش، نویز، کیفیت هوا، موقعیت افراد، شرایط محیطی و عملکرد تجهیزات می‌توانند ظرفیت پایش را افزایش دهند. Lee et al. (2015) در بحث سیستم‌های سایبر-فیزیکی صنعتی نشان می‌دهند که اتصال تجهیزات، داده و تحلیل می‌تواند تصمیم‌گیری عملیاتی را متحول کند. در HSE نیز این تحول مهم است، اما باید مراقب بود که افزایش حجم داده به افزایش فهم منجر شود، نه فقط افزایش نویز اطلاعاتی.

برای یکپارچگی داده، وجود شناسه‌های مشترک ضروری است. اگر واحد سازمانی، پروژه، پیمانکار، فعالیت، تجهیز، محل، نوع خطر و نوع کنترل در سامانه‌های مختلف با کدهای متفاوت ثبت شوند، تحلیل یکپارچه دشوار خواهد شد. بنابراین، یکی از نخستین کارهای طراحی، ایجاد واژه‌نامه داده و استاندارد کدگذاری است. DAMA International (2017) در چارچوب مدیریت داده تأکید می‌کند که کیفیت، معماری، فراداده، امنیت و مالکیت داده باید از ابتدا طراحی شوند، نه آنکه پس از بروز خطا به آن‌ها پرداخته شود.

21.4.2. زیرساخت دیجیتال، یکپارچه‌سازی و قابلیت مقیاس‌پذیری

زیرساخت دیجیتال نظام پایش می‌تواند از یک سامانه متمرکز HSE تا معماری داده‌محور مبتنی بر انبار داده، دریاچه داده، واسط‌های برنامه‌نویسی کاربردی و ابزارهای هوش تجاری متغیر باشد. انتخاب معماری به اندازه سازمان، پیچیدگی عملیات، بلوغ فناوری اطلاعات، الزامات امنیتی و بودجه بستگی دارد. نکته مهم این است که زیرساخت باید هم قابل اتکا باشد و هم قابل توسعه.

در سازمان‌های کوچک‌تر، یک سامانه HSE یکپارچه که رخداد، بازرسی، آموزش، اقدامات اصلاحی و داشبورد را پوشش دهد ممکن است کافی باشد. در سازمان‌های بزرگ‌تر، معمولاً نیاز است سامانه HSE با ERP، CMMS، HRMS، سیستم مدیریت اسناد، سامانه‌های آزمایشگاهی، سامانه تردد، سیستم‌های عملیاتی و ابزارهای تحلیلی متصل شود. این اتصال باید از طریق قواعد روشن داده، APIهای کنترل‌شده و سازوکارهای امنیتی انجام گیرد.

از منظر طراحی، باید میان ثبت داده عملیاتی و تحلیل مدیریتی تفاوت گذاشت. کاربر خط مقدم به فرم ساده، سریع و قابل استفاده در موبایل نیاز دارد. تحلیل‌گر HSE به داده ساختاریافته، تاریخچه تغییرات، امکان برش‌زدن داده و ترکیب منابع نیاز دارد. مدیر ارشد به تصویر خلاصه، معتبر و تصمیم‌محور نیازمند است. اگر یک سامانه تلاش کند همه این نیازها را با یک قالب واحد پاسخ دهد، معمولاً یا برای کاربر عملیاتی سنگین می‌شود یا برای تحلیل مدیریتی سطحی باقی می‌ماند.

21.5. طراحی شاخص‌ها، مدل تحلیلی و موتور هوشمند تصمیم‌یار

21.5.1. طراحی سبد شاخص‌های چندلایه

شاخص‌های نظام هوشمند پایش باید از معماری عملکرد تبعیت کنند. در این نظام، شاخص‌ها فقط به چند نرخ حادثه محدود نمی‌شوند. یک سبد خوب باید شاخص‌های پس‌نگر، پیشرو، کنترلی، فرایندی، زمینه‌ای و یادگیری را در کنار هم قرار دهد. برای نمونه، نرخ آسیب ثبت‌شونده یک شاخص پیامدی است؛ درصد آزمون موفق کنترل‌های حیاتی یک شاخص کنترلی است؛ زمان متوسط بستن اقدامات اصلاحی یک شاخص فرایندی است؛ نسبت ساعات اضافه‌کاری در فعالیت‌های پرخطر یک شاخص زمینه‌ای است؛ و درصد درس‌آموخته‌های پیاده‌سازی‌شده پس از رخدادها یک شاخص یادگیری است.

CCPS (2011) برای صنایع فرایندی بر تمایز میان شاخص‌های پس‌نگر و پیشرو در ایمنی فرایند تأکید می‌کند و نشان می‌دهد که رخدادهای شدید باید در چارچوبی چندسطحی تحلیل شوند. IOGP (2020) نیز در گزارش شاخص‌های عملکرد ایمنی، روش‌هایی برای طبقه‌بندی رخدادها و سنجش عملکرد ارائه می‌کند. این منابع نشان می‌دهند که شاخص‌گذاری در HSE باید با نوع ریسک و شدت پیامدها سازگار باشد.

در طراحی شاخص‌ها باید چند اصل رعایت شود. نخست، هر شاخص باید تصمیم‌پذیر باشد؛ یعنی معلوم باشد اگر شاخص تغییر کرد، چه تصمیمی باید بررسی شود. دوم، شاخص باید تعریف دقیق و روش محاسبه ثابت داشته باشد. سوم، شاخص نباید رفتارهای ناخواسته ایجاد کند. برای مثال، پاداش دادن صرف به کاهش تعداد حوادث ممکن است گزارش‌دهی را کاهش دهد. چهارم، شاخص باید با سطح مدیریتی متناسب باشد. شاخص روزانه سرپرست با شاخص فصلی هیئت‌مدیره یکی نیست. پنجم، شاخص‌ها باید محدود و معنادار باشند؛ افزایش بی‌رویه شاخص‌ها باعث خستگی تحلیلی و کاهش تمرکز می‌شود.

21.5.2. مدل تحلیلی و هوش مصنوعی در پایش HSE

هوشمندی نظام پایش زمانی شکل می‌گیرد که داده‌ها به تحلیل‌های تصمیم‌یار تبدیل شوند. این تحلیل‌ها می‌توانند از سطح توصیفی آغاز شوند و به تحلیل تشخیصی، پیش‌بینانه و تجویزی برسند. تحلیل توصیفی می‌گوید چه رخ داده است. تحلیل تشخیصی می‌پرسد چرا رخ داده است. پس تحلیل پیش‌بینانه احتمال رخداد یا ضعف کنترل را برآورد می‌کند. تحلیل تجویزی پیشنهاد می‌دهد چه اقدامی اولویت دارد.

در سال‌های اخیر، پژوهش‌های متعددی از کاربرد یادگیری ماشین در پیش‌بینی آسیب‌ها، تشخیص الگوهای حادثه و تحلیل متن گزارش‌های ایمنی سخن گفته‌اند. Tixier et al. (2016) نشان دادند که روش‌های یادگیری ماشین می‌توانند در پیش‌بینی آسیب‌های ساختمانی از داده‌های پروژه کاربرد داشته باشند. Sarkar et al. (2019) نیز در مرور کاربردهای تحلیل داده در ایمنی شغلی، ظرفیت و محدودیت مدل‌های داده‌محور را برجسته می‌کنند. با این حال، باید تأکید کنم که مدل‌های هوش مصنوعی در HSE نباید جایگزین قضاوت حرفه‌ای شوند. آن‌ها ابزار کمک به توجه و اولویت‌بندی‌اند، نه داور نهایی واقعیت.

یکی از کاربردهای مهم هوش مصنوعی در نظام پایش، تحلیل متن گزارش‌های رخداد، شبه‌حادثه و مشاهدات است. بسیاری از نشانه‌های ارزشمند در متن آزاد گزارش‌ها پنهان‌اند. روش‌های پردازش زبان طبیعی می‌توانند الگوهای تکرارشونده، علل زمینه‌ای، فعالیت‌های پرریسک و احساسات مرتبط با فرهنگ گزارش‌دهی را استخراج کنند. اما اعتبار این تحلیل‌ها به کیفیت داده، زبان گزارش، کدگذاری درست و بازبینی انسانی وابسته است. اگر گزارش‌ها ناقص، کلی یا ترس‌زده باشند، الگوریتم نیز تصویر ناقص تولید می‌کند.

کاربرد دیگر، امتیازدهی ریسک پویا است. به‌جای آنکه ریسک فقط سالانه یا در زمان تهیه JSA ارزیابی شود، نظام هوشمند می‌تواند با ترکیب داده‌های فعالیت، شرایط محیطی، وضعیت کنترل‌ها، سابقه پیمانکار، خستگی، تغییرات برنامه و نتایج بازرسی، سطح هشدار را به‌روزرسانی کند. البته چنین مدلی باید با احتیاط طراحی شود، زیرا اگر بیش از حد پیچیده یا غیرقابل توضیح باشد، اعتماد کاربران را از دست می‌دهد. ادبیات هوش مصنوعی قابل توضیح نیز بر همین نکته تأکید دارد که مدل‌های تحلیلی در محیط‌های حساس باید قابل فهم، قابل ممیزی و مسئولانه باشند (Arrieta et al., 2020).

21.6. فرایند استقرار مرحله‌ای و مدیریت تغییر

21.6.1. نقشه راه استقرار

استقرار موفق نظام جامع هوشمند پایش HSE معمولاً به‌صورت مرحله‌ای انجام می‌شود. رویکرد «همه چیز، یک‌باره» در بیشتر سازمان‌ها ریسک بالایی دارد، زیرا هم فشار تغییر را زیاد می‌کند و هم احتمال شکست فنی و مقاومت کاربران را افزایش می‌دهد. من برای چنین پروژه‌ای معمولاً پنج مرحله پیشنهاد می‌کنم: تشخیص وضعیت موجود، طراحی مفهومی، اجرای پایلوت، توسعه تدریجی و تثبیت نظام.

در مرحله تشخیص، سازمان باید بداند اکنون چه داده‌هایی دارد، چه شکاف‌هایی وجود دارد، چه سامانه‌هایی فعال‌اند، کیفیت داده چگونه است، کاربران چه تجربه‌ای دارند و تصمیم‌های مدیریتی بر چه اطلاعاتی تکیه می‌کنند. این مرحله ممکن است ساده به نظر برسد، اما بسیار تعیین‌کننده است. بسیاری از سازمان‌ها تصور می‌کنند داده فراوان دارند، اما وقتی کیفیت، کامل بودن و قابلیت اتصال داده بررسی می‌شود، آشکار می‌گردد که بخش مهمی از داده‌ها برای تحلیل جدی مناسب نیستند.

در مرحله طراحی مفهومی، معماری عملکرد، مدل داده، سبد شاخص‌ها، نقش‌ها، فرایندها، سطح دسترسی، نیازهای گزارش‌دهی و اولویت‌های فناوری مشخص می‌شود. این مرحله باید با مشارکت HSE، عملیات، فناوری اطلاعات، منابع انسانی، تدارکات، مدیریت پروژه و نمایندگان پیمانکاران انجام شود. اگر طراحی فقط در اتاق HSE انجام شود، احتمال فاصله گرفتن آن از واقعیت عملیات زیاد است.

پایلوت باید در یک محدوده معنادار اجرا شود؛ نه آن‌قدر کوچک که چیزی را نشان ندهد و نه آن‌قدر بزرگ که کنترل‌ناپذیر شود. برای مثال، یک سایت عملیاتی، یک پروژه بزرگ یا یک فرایند پرریسک می‌تواند پایلوت مناسبی باشد. هدف پایلوت فقط آزمون نرم‌افزار نیست؛ بلکه آزمون تعریف شاخص، جریان داده، رفتار کاربران، کیفیت تحلیل و واکنش مدیریتی است. پس از پایلوت، نظام باید اصلاح شود و سپس به‌تدریج توسعه یابد.

21.6.2. آموزش، مشارکت و پذیرش کاربران

نظام پایش زمانی زنده می‌شود که کاربران آن را مفید بدانند. اگر کاربر خط مقدم احساس کند سامانه فقط بار اداری او را افزایش می‌دهد، داده را با حداقل دقت ثبت خواهد کرد. پس اگر مدیر میانی ببیند داشبوردها به تصمیم‌های واقعی منجر نمی‌شوند، آن‌ها را جدی نمی‌گیرد. اگر مدیریت ارشد فقط عددهای سبز بخواهد، نظام به سمت زیباسازی داده حرکت می‌کند. بنابراین، پذیرش کاربران باید از ابتدا بخشی از طراحی باشد.

آموزش در اینجا فقط آموزش کار با نرم‌افزار نیست. کاربران باید بفهمند چرا داده مهم است، چگونه گزارش درست ثبت می‌شود، شاخص‌ها چه معنایی دارند، داده چگونه استفاده می‌شود و چه بازخوردی دریافت خواهند کرد. Schein (2010) در بحث فرهنگ سازمانی تأکید می‌کند که رفتارهای پایدار زمانی شکل می‌گیرند که فرض‌های بنیادین و معانی مشترک تغییر کنند. در HSE نیز اگر گزارش‌دهی به‌عنوان «پر کردن فرم» فهمیده شود، کیفیت پایش پایین می‌ماند؛ اما اگر به‌عنوان مشارکت در پیشگیری فهمیده شود، داده معنا پیدا می‌کند.

مشارکت کاربران در طراحی فرم‌ها، داشبوردها و هشدارها بسیار مهم است. فرم‌های طولانی، اصطلاحات مبهم، فیلدهای غیرضروری و فرایندهای پیچیده دشمن کیفیت داده‌اند. یک اصل ساده اما بسیار کاربردی این است: هر داده‌ای که از کاربر می‌خواهیم، باید یا برای تصمیم لازم باشد یا برای الزام قانونی یا برای یادگیری سازمانی. اگر سازمان نتواند دلیل جمع‌آوری یک داده را توضیح دهد، احتمالاً نباید آن را جمع‌آوری کند.

21.7. حکمرانی، امنیت، اخلاق و کیفیت داده در نظام هوشمند

21.7.1. حکمرانی داده و پاسخ‌گویی

هرچه نظام پایش هوشمندتر می‌شود، نیاز آن به حکمرانی داده بیشتر می‌گردد. حکمرانی داده یعنی قواعد روشن برای مالکیت، تعریف، کیفیت، دسترسی، امنیت، نگهداری، اصلاح و استفاده از داده. در HSE، این موضوع حساس‌تر است زیرا داده‌ها می‌توانند بر جان انسان‌ها، تصمیم‌های قانونی، اعتبار سازمان و روابط پیمانکاری اثر بگذارند.

کیفیت داده باید به‌صورت فعال مدیریت شود. کامل بودن، صحت، به‌موقع بودن، سازگاری، یکتایی و قابلیت ردیابی از ابعاد اصلی کیفیت داده‌اند. Redman (2013) تأکید می‌کند که داده ضعیف هزینه‌های پنهان زیادی برای سازمان ایجاد می‌کند، از تصمیم‌های اشتباه تا کاهش اعتماد به سیستم. در HSE، هزینه داده ضعیف می‌تواند بسیار سنگین‌تر باشد؛ زیرا ممکن است نشانه‌های خطر دیده نشوند یا منابع به اولویت‌های اشتباه اختصاص یابد.

یکی از ابزارهای مهم حکمرانی، شناسنامه شاخص است. برای هر شاخص باید تعریف، هدف، فرمول، دامنه، منبع داده، تناوب گزارش، مالک شاخص، سطح هدف، آستانه هشدار، محدودیت‌ها و اقدام مورد انتظار مشخص باشد. بدون شناسنامه شاخص، هر واحد ممکن است برداشت خود را از داده داشته باشد و مقایسه سازمانی بی‌اعتبار شود.

21.7.2. امنیت، حریم خصوصی و اخلاق الگوریتمی

نظام هوشمند پایش HSE ممکن است شامل داده‌های حساس درباره سلامت کارکنان، رفتار کاری، موقعیت مکانی، عملکرد پیمانکاران، ضعف‌های کنترلی و رخدادهای عملیاتی باشد. بنابراین، امنیت اطلاعات و حریم خصوصی باید از ابتدا در طراحی لحاظ شود. ISO/IEC 27001:2022 چارچوبی برای مدیریت امنیت اطلاعات ارائه می‌دهد و اصول آن برای سامانه‌های HSE نیز قابل استفاده است (International Organization for Standardization/International Electrotechnical Commission [ISO/IEC], 2022).

اصل مهم در این زمینه «حداقل‌سازی داده» است. یعنی سازمان فقط داده‌ای را جمع‌آوری کند که واقعاً برای هدف مشخص لازم است. اگر ابزار پوشیدنی برای پایش مواجهه با گرما استفاده می‌شود، باید روشن باشد آیا داده موقعیت فرد نیز لازم است یا نه، چه کسی به داده دسترسی دارد، داده تا چه زمانی نگهداری می‌شود و آیا برای ارزیابی انضباطی استفاده خواهد شد یا نه. شفافیت در این موارد برای حفظ اعتماد کارکنان ضروری است.

اخلاق الگوریتمی نیز اهمیت فزاینده‌ای دارد. اگر نظام هوشمند به پیمانکار، واحد یا فردی امتیاز ریسک بدهد، باید قابل توضیح باشد که این امتیاز چگونه تولید شده است. مدل‌های غیرشفاف ممکن است سوگیری‌های تاریخی را بازتولید کنند. برای مثال، واحدی که فرهنگ گزارش‌دهی بهتری دارد ممکن است به دلیل ثبت رخدادهای بیشتر، پرریسک‌تر دیده شود، در حالی که واحد کم‌گزارش‌دهنده ظاهراً بهتر ارزیابی شود. بنابراین، تحلیل الگوریتمی باید با قضاوت حرفه‌ای، زمینه عملیاتی و بازبینی انسانی همراه باشد.

21.8. ارزیابی بلوغ، پایش اثربخشی و بهبود مستمر نظام

21.8.1. مدل بلوغ نظام پایش HSE

برای آنکه بدانیم نظام پایش در چه سطحی قرار دارد، باید آن را بر اساس مدل بلوغ ارزیابی کنیم. یک مدل ساده و کاربردی می‌تواند پنج سطح داشته باشد. سطح اول، پایش واکنشی و پراکنده است؛ داده‌ها عمدتاً پس از حادثه و به‌صورت دستی جمع‌آوری می‌شوند. در سطح دوم، پایش استانداردشده است؛ فرم‌ها، تعاریف و گزارش‌های دوره‌ای وجود دارند. سطح سوم، پایش یکپارچه است؛ داده‌ها در سامانه مشترک ثبت و داشبوردهای مدیریتی تولید می‌شوند.در سطح چهارم، پایش تحلیلی است؛ روندها، الگوها، کنترل‌ها و عوامل زمینه‌ای تحلیل می‌شوند. سطح پنجم، پایش هوشمند و یادگیرنده است؛ نظام می‌تواند هشدارهای پیش‌نگر، تحلیل‌های تصمیم‌یار و بازخوردهای یادگیری تولید کند.

این مدل بلوغ نباید صرفاً برای رتبه‌بندی استفاده شود. هدف اصلی آن تشخیص مسیر بهبود است. ممکن است سازمانی در گزارش رخدادها سطح سه باشد، اما در پایش سلامت شغلی سطح دو و در پایش کنترل‌های حیاتی سطح یک. بنابراین، بلوغ باید به تفکیک حوزه‌ها ارزیابی شود. همچنین بلوغ فناوری بدون بلوغ فرهنگی کافی نیست. سازمانی ممکن است داشبورد پیشرفته داشته باشد، اما اگر کارکنان رخدادها را گزارش نکنند یا مدیران داده ناخوشایند را نپذیرند، بلوغ واقعی پایین خواهد بود.

21.8.2. سنجش اثربخشی نظام پایش

خود نظام پایش نیز باید پایش شود. این جمله شاید در نگاه نخست بدیهی به نظر برسد، اما در عمل بسیار مهم است. باید پرسید

• آیا نظام پایش باعث تصمیم بهتر شده است؟
• آیا هشدارها به اقدام منجر می‌شوند؟
• آیا کیفیت داده بهتر شده است؟
• آیا زمان تشخیص ریسک کاهش یافته است؟
• آیا اقدامات اصلاحی مؤثرتر شده‌اند؟
• آیا کاربران به نظام اعتماد دارند؟
• آیا گزارش‌دهی افزایش معنادار و سالم داشته است؟

برای سنجش اثربخشی، می‌توان شاخص‌هایی مانند درصد داده‌های کامل، زمان ثبت رخداد، زمان تحلیل، نرخ بازخورد به گزارش‌دهنده، درصد اقدامات اصلاحی اثربخشی‌سنجی‌شده، تعداد تصمیم‌های مدیریتی مبتنی بر داده، درصد هشدارهای معتبر، و میزان استفاده فعال از داشبوردها را اندازه‌گیری کرد. اما مهم‌تر از این شاخص‌ها، بررسی کیفی تصمیم‌هاست. گاهی یک تحلیل خوب که از یک حادثه بزرگ جلوگیری کند، ارزش بسیار بیشتری از ده‌ها گزارش دوره‌ای دارد.

بهبود مستمر باید بر اساس چرخه یادگیری انجام شود. داده جمع‌آوری می‌شود، تحلیل صورت می‌گیرد، تصمیم گرفته می‌شود، اقدام اجرا می‌گردد، اثر اقدام سنجیده می‌شود و مدل پایش اصلاح می‌شود. این چرخه با منطق PDCA در سیستم‌های مدیریت هم‌خوان است، اما در نظام هوشمند باید با تحلیل داده و یادگیری سازمانی غنی‌تر شود.

برای مطالعه ادامه فصل به مقاله فصل ۲۱. طراحی و استقرار نظام جامع هوشمند پایش عملکرد HSE:بخش دوم مراجعه کنید.