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

ابتدا مقاله فصل ۲۱. طراحی و استقرار نظام جامع هوشمند پایش عملکرد HSE:بخش اول را مطالعه نمایید.

21.9. چالش‌های اجرایی، خطاهای رایج و الزامات موفقیت

21.9.1. چالش‌های رایج در طراحی و استقرار

یکی از چالش‌های مهم، جذابیت بیش از حد فناوری است. سازمان‌ها گاهی تصور می‌کنند با خرید یک پلتفرم پیشرفته، مسئله پایش HSE حل می‌شود. اما اگر فرایند گزارش‌دهی ضعیف، تعاریف مبهم، داده‌ها بی‌کیفیت و فرهنگ گزارش‌دهی شکننده باشد، فناوری فقط ضعف‌ها را سریع‌تر و گسترده‌تر بازتولید می‌کند. Davenport and Harris (2017) در بحث رقابت بر پایه تحلیل تأکید می‌کنند که ارزش تحلیل داده از ترکیب داده، فناوری، فرایند و قابلیت انسانی حاصل می‌شود.

چالش دوم، تمرکز افراطی بر شاخص‌های ساده و قابل نمایش است. برخی شاخص‌ها چون به‌راحتی قابل محاسبه‌اند، بیش از حد استفاده می‌شوند؛ در حالی که ممکن است مهم‌ترین جنبه‌های ریسک را نشان ندهند. برای مثال، تعداد جلسات آموزشی به‌تنهایی نشان‌دهنده شایستگی واقعی نیست. تعداد بازرسی‌ها به‌تنهایی کیفیت کنترل‌ها را نشان نمی‌دهد. کاهش نرخ حادثه به‌تنهایی نشانه کاهش ریسک نیست. نظام هوشمند باید از شاخص‌های سطحی عبور کند و به سنجش کیفیت، اثربخشی و رابطه با ریسک برسد.

چالش سوم، مقاومت کاربران و ترس از نظارت است. اگر کارکنان احساس کنند داده علیه آنان استفاده می‌شود، گزارش‌دهی کاهش می‌یابد یا داده‌ها صوری می‌شوند. Dekker (2012) در بحث فرهنگ عادلانه نشان می‌دهد که یادگیری ایمنی بدون اعتماد و عدالت سازمانی پایدار نمی‌ماند. بنابراین، سازمان باید روشن کند که هدف نظام پایش، کنترل انسان‌ها به معنای تنبیهی نیست، بلکه کنترل ریسک و یادگیری است؛ البته این به معنای حذف پاسخ‌گویی در برابر تخلف عمدی نیست.

21.9.2. الزامات موفقیت پایدار

موفقیت پایدار نظام جامع هوشمند پایش HSE به چند الزام وابسته است. نخست، حمایت واقعی مدیریت ارشد؛ حمایتی که فقط در سخنرانی و ابلاغیه نباشد، بلکه در تصمیم‌ها، تخصیص منابع و واکنش به داده‌های ناخوشایند دیده شود. دوم، پیوند روشن با ریسک‌های اصلی سازمان؛ زیرا نظامی که به ریسک‌های واقعی وصل نباشد، به گزارش‌دهی اداری تبدیل می‌شود. سوم، طراحی کاربرمحور؛ چون کیفیت داده از رفتار کاربران آغاز می‌شود. چهارم، حکمرانی داده؛ زیرا بدون تعاریف، مالکیت و کنترل کیفیت، تحلیل معتبر شکل نمی‌گیرد. پنجم، قابلیت تحلیل و تفسیر؛ چون داده بدون تحلیل، تصمیم نمی‌سازد. ششم، فرهنگ عادلانه و یادگیرنده؛ زیرا بدون اعتماد، داده‌های حساس پنهان می‌شوند.

در کنار این الزامات، باید به اصل سادگی هوشمندانه توجه کرد. هوشمند بودن به معنای پیچیده بودن نیست. گاهی یک هشدار ساده، به‌موقع و معتبر درباره تأخیر در آزمون یک کنترل حیاتی، از یک مدل پیچیده پیش‌بینی ارزشمندتر است. هنر طراحی نظام پایش آن است که پیچیدگی ریسک را بفهمد، اما خروجی را برای تصمیم‌گیرنده قابل استفاده کند.

21.10. جمع‌بندی تحلیلی فصل

21.10.1. از داده‌محوری تا تصمیم‌محوری

در این فصل تلاش کردم نشان دهم که طراحی و استقرار نظام جامع هوشمند پایش عملکرد HSE فقط یک پروژه نرم‌افزاری نیست؛ بلکه نوعی بازطراحی نگاه سازمان به ریسک، داده، کنترل و یادگیری است. سازمان‌ها امروز داده‌های فراوانی تولید می‌کنند، اما مسئله اصلی فراوانی داده نیست؛ مسئله آن است که آیا داده‌ها به تصمیم بهتر، اقدام مؤثرتر و کاهش واقعی ریسک منجر می‌شوند یا نه. نظام هوشمند پایش باید از داده‌محوری سطحی عبور کند و به تصمیم‌محوری برسد.

تصمیم‌محوری یعنی هر شاخص، هر داشبورد و هر تحلیل باید نسبت خود را با یک تصمیم روشن کند. اگر داده‌ای هیچ تصمیمی را بهبود نمی‌دهد، باید درباره ضرورت جمع‌آوری آن تردید کرد. پس اگر داشبوردی فقط وضعیت را نمایش می‌دهد اما گفت‌وگوی مدیریتی ایجاد نمی‌کند، باید بازطراحی شود. اگر الگوریتمی هشدار می‌دهد اما هشدارهایش قابل اعتماد، قابل توضیح یا قابل اقدام نیستند، آن الگوریتم هنوز برای HSE بالغ نشده است.

21.10.2. نظام هوشمند به‌مثابه ظرفیت یادگیری سازمانی

نظام جامع هوشمند پایش HSE زمانی به بلوغ می‌رسد که به ظرفیت یادگیری سازمانی تبدیل شود. چنین نظامی فقط نمی‌پرسد «چند حادثه رخ داد؟» بلکه می‌پرسد «کدام کنترل‌ها ضعیف شده‌اند؟»، «کدام شرایط زمینه‌ای ریسک را بالا برده‌اند؟»، «کجا گزارش‌دهی کاهش یافته و چرا؟»، «کدام اقدام اصلاحی واقعاً اثربخش بوده است؟» و «چه چیزی را پیش از حادثه می‌توانستیم ببینیم؟»

این نگاه، سازمان را از مدیریت پس از واقعه به مدیریت پیش از واقعه نزدیک می‌کند. البته هیچ نظامی نمی‌تواند همه حوادث را پیش‌بینی کند یا عدم‌قطعیت را حذف نماید. اما نظام خوب می‌تواند حساسیت سازمان را نسبت به نشانه‌های ضعیف افزایش دهد، کیفیت تصمیم‌ها را بهتر کند، پاسخ‌گویی را تقویت کند و یادگیری را از سطح فردی به سطح سیستمی منتقل سازد.

در نهایت، باید تأکید کنم که هوشمندی واقعی در HSE از ترکیب انسان، داده، فناوری و اخلاق پدید می‌آید. داده بدون انسان معنا ندارد؛ فناوری بدون حکمرانی خطرناک می‌شود؛ تحلیل بدون زمینه گمراه‌کننده است؛ و شاخص بدون عدالت می‌تواند اعتماد را از بین ببرد. بنابراین، طراحی نظام جامع هوشمند پایش عملکرد HSE باید هم دقیق و فنی باشد، هم انسانی و مسئولانه. چنین نظامی اگر درست طراحی و استقرار یابد، نه‌تنها عملکرد HSE را قابل مشاهده‌تر می‌کند، بلکه توان سازمان را برای پیشگیری، یادگیری و تصمیم‌گیری خردمندانه افزایش می‌دهد.

.

21.11. الگوی پیشنهادی برای طراحی نظام جامع هوشمند پایش عملکرد HSE

21.11.1. چارچوب مفهومی پیشنهادی

برای آنکه مباحث این فصل از سطح نظری به سطح طراحی عملی نزدیک شود، مناسب است یک الگوی مفهومی منسجم برای نظام جامع هوشمند پایش عملکرد HSE ارائه شود. این الگو می‌تواند در سازمان‌های مختلف، با تعدیل متناسب با اندازه، صنعت، سطح ریسک و بلوغ دیجیتال، مورد استفاده قرار گیرد. من این الگو را بر پایه شش مؤلفه اصلی پیشنهاد می‌کنم: راهبرد و ریسک، معماری داده، شاخص‌های عملکرد، تحلیل هوشمند، حکمرانی داده، و یادگیری سازمانی.

نقطه آغاز الگو، راهبرد و ریسک است. نظام پایش نباید مستقل از ریسک‌های اصلی سازمان طراحی شود. اگر سازمان با ریسک‌های فرایندی، انفجار، آتش‌سوزی، مواجهه شیمیایی یا پیامدهای زیست‌محیطی گسترده روبه‌روست، شاخص‌ها و داده‌ها باید بر همان حوزه‌ها تمرکز بیشتری داشته باشند. اگر مسئله اصلی سازمان، ایمنی پیمانکاران و فعالیت‌های پروژه‌ای است، مدل پایش باید پیمانکار، فعالیت، محل کار، سرپرستی و شرایط روزانه کار را در مرکز توجه قرار دهد. بنابراین، نخستین پرسش طراحی این نیست که «چه داده‌هایی داریم؟» بلکه این است که «برای کنترل ریسک‌های اصلی، چه دانشی لازم داریم؟»

مؤلفه دوم، معماری داده است. داده‌های HSE باید با یک زبان مشترک تولید شوند. بدون تعریف واحد از رخداد، شبه‌حادثه، اقدام اصلاحی، کنترل حیاتی، فعالیت پرخطر، پیمانکار، محل، تجهیز و مواجهه، امکان تحلیل معتبر وجود ندارد. در اینجا، معماری داده نقش ستون فقرات نظام را دارد. همان‌گونه که در مطالعات مدیریت داده تأکید شده است، داده زمانی دارایی سازمانی محسوب می‌شود که تعریف، مالکیت، کیفیت و قابلیت استفاده آن روشن باشد (DAMA International, 2017; Redman, 2013).

مؤلفه سوم، شاخص‌های عملکرد است. شاخص‌ها باید از منطق ریسک و معماری داده استخراج شوند، نه از عادت‌های گزارش‌دهی گذشته. برای مثال، اگر در سازمانی سقوط از ارتفاع یکی از ریسک‌های اصلی است، شاخص صرف «تعداد آموزش کار در ارتفاع» کافی نیست. باید وضعیت مجوز کار، بازرسی داربست، استفاده از سیستم جلوگیری از سقوط، صلاحیت افراد، شرایط آب‌وهوایی، نظارت سرپرست و نتایج مشاهدات رفتاری نیز پایش شود. در اینجا شاخص به ابزار دیدن کنترل‌ها تبدیل می‌شود، نه صرفاً شمارش فعالیت‌ها.

مؤلفه چهارم، تحلیل هوشمند است. تحلیل هوشمند به معنای استفاده کورکورانه از الگوریتم‌های پیچیده نیست. گاهی یک تحلیل روند ساده، اگر به‌موقع و درست تفسیر شود، بسیار ارزشمندتر از یک مدل پیچیده غیرقابل فهم است. اما در سطح پیشرفته‌تر، می‌توان از روش‌های یادگیری ماشین، پردازش زبان طبیعی، تحلیل شبکه، تحلیل خوشه‌ای و مدل‌های پیش‌بینی برای تشخیص الگوهای پنهان استفاده کرد. شرط اصلی این است که خروجی تحلیل برای تصمیم‌گیرنده قابل فهم، قابل اقدام و قابل اعتماد باشد (Arrieta et al., 2020; Tixier et al., 2016).

مؤلفه پنجم، حکمرانی داده است. هر نظام هوشمندی اگر حکمرانی نداشته باشد، دیر یا زود به بی‌نظمی، بی‌اعتمادی یا استفاده نادرست از داده دچار می‌شود. باید مشخص باشد چه کسی داده را ثبت می‌کند، چه کسی آن را تأیید می‌کند، چه کسی اجازه ویرایش دارد، چه کسی تحلیل می‌کند، چه کسی تصمیم می‌گیرد و چه کسی مسئول اقدام است. همچنین باید معلوم باشد داده‌های حساس، مانند اطلاعات سلامت کارکنان یا موقعیت مکانی افراد، چگونه محافظت می‌شوند.

مؤلفه ششم، یادگیری سازمانی است. نظام پایش فقط زمانی ارزش نهایی پیدا می‌کند که سازمان از داده‌ها یاد بگیرد. اگر حادثه‌ها ثبت شوند اما درس‌آموخته‌ها اجرا نشوند، اگر داشبوردها تولید شوند اما تصمیم‌ها تغییر نکنند، و اگر هشدارها صادر شوند اما پاسخ مدیریتی نداشته باشند، نظام پایش به یک سازوکار اداری تبدیل می‌شود. Argyris (1990) در بحث یادگیری سازمانی نشان می‌دهد که سازمان‌ها اغلب در برابر یادگیری دفاعی عمل می‌کنند؛ یعنی داده‌های ناخوشایند را به‌گونه‌ای تفسیر می‌کنند که ساختارها و باورهای موجود به چالش کشیده نشود. نظام هوشمند HSE باید دقیقاً برعکس عمل کند: داده‌های دشوار را به گفت‌وگوی سازنده و اصلاح سیستم تبدیل کند.

21.11.2. منطق ارتباطی میان مؤلفه‌ها

این شش مؤلفه جدا از هم نیستند. راهبرد و ریسک تعیین می‌کنند چه داده‌هایی مهم‌اند. معماری داده امکان می‌دهد این داده‌ها به‌صورت معتبر جمع‌آوری شوند. شاخص‌ها داده‌ها را به زبان عملکرد تبدیل می‌کنند. تحلیل هوشمند از شاخص‌ها و داده‌ها الگو و هشدار استخراج می‌کند. حکمرانی داده اعتبار، امنیت و مسئولیت‌پذیری نظام را حفظ می‌کند. یادگیری سازمانی نیز تضمین می‌کند که خروجی نظام به اقدام و بهبود منجر شود.

اگر یکی از این اجزا ضعیف باشد، کل نظام آسیب می‌بیند. برای نمونه، ممکن است سازمان داشبوردهای بسیار پیشرفته داشته باشد، اما اگر داده‌های ورودی ناقص باشند، خروجی داشبورد گمراه‌کننده خواهد بود. یا ممکن است داده‌ها دقیق باشند، اما اگر شاخص‌ها با ریسک‌های اصلی هم‌راستا نباشند، سازمان چیزهای کم‌اهمیت را خوب اندازه‌گیری می‌کند و چیزهای مهم را نمی‌بیند. همچنین ممکن است تحلیل‌ها قوی باشند، اما اگر رهبری سازمانی به داده‌های ناخوشایند واکنش تنبیهی نشان دهد، کاربران به‌تدریج داده‌ها را پنهان یا آرایش می‌کنند.

از این منظر، طراحی نظام پایش HSE شبیه طراحی یک اکوسیستم است. هر جزء بر جزء دیگر اثر می‌گذارد. فناوری، فرهنگ، داده، فرایند و تصمیم‌گیری باید هم‌زمان دیده شوند. این نکته با یافته‌های پژوهش‌های تحول دیجیتال نیز سازگار است؛ تحول دیجیتال زمانی موفق است که فناوری با تغییر در ساختار، مهارت، فرایند و مدل مدیریتی همراه شود (Vial, 2019).

21.12. مراحل اجرایی پیشنهادی برای پیاده‌سازی در سازمان

21.12.1. مرحله نخست: ارزیابی وضعیت موجود

نخستین گام اجرایی، ارزیابی وضعیت موجود است. در این مرحله باید به‌صورت دقیق بررسی شود که سازمان در حال حاضر چه داده‌هایی تولید می‌کند، این داده‌ها در کجا نگهداری می‌شوند، چه کیفیتی دارند، چه کسانی از آن‌ها استفاده می‌کنند و چه تصمیم‌هایی بر پایه آن‌ها گرفته می‌شود. این ارزیابی نباید فقط به واحد HSE محدود شود؛ زیرا بخش مهمی از داده‌های مؤثر بر HSE در عملیات، منابع انسانی، تعمیرات، تدارکات، مدیریت پروژه، مالی، فناوری اطلاعات و حتی واحد حقوقی قرار دارد.

در این مرحله، مصاحبه با کاربران کلیدی بسیار ارزشمند است. باید از سرپرستان، کارشناسان HSE، مدیران عملیات، پیمانکاران، مدیران پروژه و مدیران ارشد پرسید که چه اطلاعاتی برای تصمیم‌های HSE لازم دارند و اکنون چه کمبودهایی احساس می‌کنند. تجربه نشان می‌دهد که شکاف میان «داده موجود» و «داده مورد نیاز برای تصمیم» گاهی بسیار زیاد است. سازمان ممکن است صدها فرم و هزاران رکورد داشته باشد، اما هنوز نتواند به یک پرسش ساده پاسخ دهد: کدام کنترل‌های حیاتی ما در وضعیت نامطمئن قرار دارند؟

خروجی مرحله ارزیابی باید شامل نقشه سامانه‌ها، نقشه جریان داده، فهرست شاخص‌های موجود، مشکلات کیفیت داده، شکاف‌های اطلاعاتی، وضعیت مهارت کاربران، سطح اعتماد به داده‌ها و اولویت‌های بهبود باشد. این مرحله همچنین باید مشخص کند که کدام فرایندها پیش از دیجیتال‌سازی نیازمند اصلاح‌اند. دیجیتال کردن یک فرایند ضعیف، آن را الزاماً بهتر نمی‌کند؛ فقط آن را سریع‌تر و گسترده‌تر می‌کند.

21.12.2. مرحله دوم: طراحی مدل هدف

در مرحله دوم، سازمان باید مدل هدف نظام پایش را طراحی کند. مدل هدف یعنی تصویر روشن از اینکه نظام پایش در وضعیت مطلوب چگونه کار خواهد کرد. در این مدل باید حوزه‌های عملکرد HSE، منابع داده، شاخص‌ها، نقش‌ها، داشبوردها، سطوح گزارش‌دهی، قواعد دسترسی، چرخه تصمیم و روش بازخورد مشخص شود.

برای طراحی مدل هدف، بهتر است از پرسش‌های کلیدی استفاده شود. برای مثال:

• مدیریت ارشد هر ماه باید چه چیزی را درباره HSE بداند؟
• مدیر سایت هر هفته به چه هشدارهایی نیاز دارد؟
• سرپرست شیفت در آغاز کار باید چه داده‌هایی را ببیند؟
• کدام رخدادها باید بلافاصله هشدار ایجاد کنند؟
• کدام شاخص‌ها اگر از آستانه عبور کنند، نیازمند جلسه تصمیم‌اند؟
• کدام داده‌ها محرمانه‌اند؟
• کدام داده‌ها باید برای یادگیری در سطح سازمان منتشر شوند؟

در این مرحله باید از وسوسه طراحی بیش از حد پیچیده پرهیز کرد. نظام هدف باید بلندپروازانه اما قابل اجرا باشد. سازمان‌ها گاهی در طراحی اولیه، فهرست بسیار بزرگی از شاخص‌ها، گزارش‌ها و قابلیت‌های تحلیلی تهیه می‌کنند؛ اما در اجرا با کمبود داده، ضعف مهارت یا مقاومت کاربران روبه‌رو می‌شوند. راه بهتر آن است که مدل هدف به چند موج اجرایی تقسیم شود: موج نخست برای استانداردسازی و یکپارچگی داده‌های اصلی، موج دوم برای داشبوردها و تحلیل‌های مدیریتی، و موج سوم برای قابلیت‌های پیشرفته‌تر مانند پیش‌بینی و تحلیل هوشمند.

21.12.3. مرحله سوم: انتخاب فناوری و طراحی فنی

پس از روشن شدن مدل هدف، انتخاب فناوری معنا پیدا می‌کند. انتخاب فناوری پیش از روشن شدن نیازها، معمولاً به وابستگی به قابلیت‌های فروشنده یا طراحی ناهماهنگ با واقعیت سازمان منجر می‌شود. در انتخاب فناوری باید چند معیار اصلی در نظر گرفته شود: قابلیت پوشش فرایندهای HSE، انعطاف‌پذیری در تعریف شاخص‌ها، امکان یکپارچه‌سازی با سامانه‌های دیگر، امنیت، تجربه کاربری، قابلیت استفاده موبایلی، گزارش‌گیری، تحلیل داده، مقیاس‌پذیری، پشتیبانی فنی و مالکیت داده.

در سازمان‌های بزرگ، مسئله یکپارچه‌سازی بسیار مهم است. سامانه HSE باید بتواند با سیستم‌های منابع انسانی، تعمیرات و نگهداری، مدیریت پروژه، مدیریت پیمانکاران، آزمایشگاه، ERP و سامانه‌های عملیاتی ارتباط برقرار کند. اگر این ارتباط برقرار نشود، بخشی از داده‌ها باید دوباره‌کاری شوند و احتمال خطا افزایش می‌یابد. همچنین اگر سامانه HSE به داده‌های زمینه‌ای مانند ساعات کار، نوع فعالیت، تعداد نفرات، پیمانکار، تجهیز و محل دسترسی نداشته باشد، تحلیل‌های آن محدود خواهد ماند.

طراحی فنی باید شامل ساختار پایگاه داده، سطوح دسترسی، قواعد اعتبارسنجی، گردش کار، گزارش‌ها، داشبوردها، هشدارها، تاریخچه تغییرات و سازوکار پشتیبان‌گیری باشد. همچنین باید روشن باشد که چه داده‌هایی در سامانه اصلی ذخیره می‌شوند و چه داده‌هایی از سامانه‌های دیگر فراخوانی می‌گردند. در اینجا همکاری نزدیک میان HSE و فناوری اطلاعات حیاتی است. HSE زبان ریسک و عملیات را می‌شناسد؛ فناوری اطلاعات زبان سامانه، امنیت و یکپارچه‌سازی را. نظام موفق از گفت‌وگوی این دو زبان شکل می‌گیرد.

21.12.4. مرحله چهارم: اجرای پایلوت و اصلاح نظام

اجرای پایلوت باید با دقت طراحی شود. پایلوت نباید فقط نمایش آزمایشی نرم‌افزار باشد؛ بلکه باید شبیه‌سازی واقعی چرخه پایش، تحلیل، تصمیم و اقدام باشد. در پایلوت باید بررسی شود که آیا کاربران می‌توانند داده را درست ثبت کنند، آیا گردش کار منطقی است، آیا داشبوردها برای مدیران قابل فهم‌اند، آیا هشدارها به‌موقع صادر می‌شوند، آیا داده‌ها کیفیت کافی دارند، و آیا تصمیم‌های واقعی بر پایه خروجی نظام گرفته می‌شوند.

برای انتخاب محدوده پایلوت، بهتر است حوزه‌ای انتخاب شود که هم اهمیت HSE داشته باشد و هم همکاری مدیریتی در آن ممکن باشد. برای نمونه، پایلوت می‌تواند روی مدیریت مجوز کار در یک سایت، پایش کنترل‌های حیاتی در یک واحد فرایندی، مدیریت اقدامات اصلاحی در چند پروژه، یا پایش عملکرد پیمانکاران در یک فعالیت پرریسک اجرا شود. پایلوت بسیار کوچک، مسائل واقعی را نشان نمی‌دهد؛ پایلوت بسیار بزرگ نیز کنترل‌پذیری را کاهش می‌دهد.

پس از پایلوت، باید اصلاحات جدی انجام شود. بازخورد کاربران در این مرحله بسیار ارزشمند است. ممکن است مشخص شود برخی فیلدها غیرضروری‌اند، برخی تعاریف مبهم‌اند، برخی هشدارها بیش از حد زیادند، یا برخی داشبوردها به تصمیم کمک نمی‌کنند. اصلاح پس از پایلوت نشانه ضعف طراحی نیست؛ برعکس، نشانه بلوغ رویکرد است. طراحی نظام هوشمند HSE باید یادگیرنده باشد، یعنی خود نیز از تجربه اجرا بیاموزد.

21.12.5. مرحله پنجم: توسعه، تثبیت و نهادینه‌سازی

پس از پایلوت، نظام باید به‌صورت مرحله‌ای توسعه یابد. توسعه مرحله‌ای امکان می‌دهد سازمان هم‌زمان با گسترش فناوری، مهارت کاربران، کیفیت داده و فرایندهای مدیریتی را نیز تقویت کند. در این مرحله باید برنامه آموزش، راهنمای کاربری، دستورالعمل‌های داده، شناسنامه شاخص‌ها، سازوکار پشتیبانی و تقویم بازبینی مدیریتی آماده باشد.

نهادینه‌سازی زمانی رخ می‌دهد که نظام پایش به بخشی از کار روزمره تبدیل شود. یعنی جلسات مدیریتی با داده‌های نظام آغاز شوند؛ اقدامات اصلاحی در همان سامانه پیگیری شوند؛ تصمیم‌های توقف کار یا تخصیص منابع به هشدارهای معتبر متصل باشند؛ گزارش‌های بیرونی از داده‌های کنترل‌شده استخراج شوند؛ و کاربران ببینند داده‌هایی که ثبت می‌کنند، واقعاً در تصمیم‌ها اثر دارد.

یکی از نشانه‌های نهادینه شدن نظام، شکل‌گیری گفت‌وگوی داده‌محور است. در چنین سازمانی، مدیران فقط نمی‌پرسند «عدد این ماه چند است؟» بلکه می‌پرسند «این تغییر چه معنایی دارد؟»، «کیفیت داده چگونه است؟»، «چه چیزی پشت این الگو پنهان است؟»، «کدام کنترل نیازمند تقویت است؟» و «چه اقدامی باید اولویت بگیرد؟» این تغییر در نوع پرسش‌ها، یکی از مهم‌ترین نشانه‌های بلوغ نظام پایش است.

21.13. نمونه کاربردی: طراحی نظام پایش برای کنترل‌های حیاتی

21.13.1. منطق کنترل‌های حیاتی

برای ملموس‌تر شدن بحث، می‌توان طراحی نظام پایش را در حوزه کنترل‌های حیاتی توضیح داد. کنترل حیاتی، کنترلی است که شکست یا نبود آن می‌تواند به حادثه شدید، مرگ، آسیب گسترده، آلودگی مهم یا خسارت بزرگ منجر شود. در صنایع پرخطر، پایش کنترل‌های حیاتی یکی از مهم‌ترین ابزارهای پیشگیری است. تمرکز بر کنترل‌های حیاتی کمک می‌کند سازمان از انبوه فعالیت‌های کم‌اثر فاصله بگیرد و توجه خود را بر موانعی بگذارد که واقعاً میان خطر و پیامد فاجعه‌بار قرار دارند.

برای مثال، در کار در ارتفاع، کنترل‌های حیاتی ممکن است شامل طراحی سکوی ایمن، سیستم جلوگیری از سقوط، بازرسی داربست، صلاحیت افراد، مجوز کار و نظارت مؤثر باشد. در فضای بسته، کنترل‌های حیاتی می‌تواند شامل جداسازی انرژی، اندازه‌گیری گاز، تهویه، ناظر بیرونی، برنامه نجات و مجوز ورود باشد. در ایمنی فرایند، کنترل‌های حیاتی ممکن است شامل سیستم‌های قطع اضطراری، شیرهای اطمینان، آلارم‌های بحرانی، مدیریت تغییر، آزمون تجهیزات حفاظتی و یکپارچگی مکانیکی باشد.

منطق پایش کنترل‌های حیاتی با پایش عمومی تفاوت دارد. در اینجا مسئله اصلی این نیست که چند فعالیت انجام شده است؛ مسئله این است که آیا کنترل‌های حیاتی واقعاً در لحظه نیاز عمل خواهند کرد یا نه. این نگاه با رویکرد مانع‌محور و تحلیل Bow-Tie نیز هم‌خوان است، زیرا در این رویکرد، کنترل‌ها و موانع میان علل تهدید و پیامدهای اصلی شناسایی و پایش می‌شوند (Center for Chemical Process Safety, 2018).

21.13.2. طراحی داده و شاخص برای کنترل‌های حیاتی

برای طراحی پایش کنترل‌های حیاتی، ابتدا باید فهرست خطرات عمده و سناریوهای حادثه مشخص شود. سپس برای هر سناریو، کنترل‌های پیشگیرانه و کاهنده شناسایی گردد. در مرحله بعد باید تعیین شود کدام کنترل‌ها حیاتی‌اند و برای هر کنترل، معیار عملکرد تعریف شود. معیار عملکرد باید روشن کند کنترل باید چه کارکردی داشته باشد، چه استانداردی را رعایت کند، چگونه آزمون شود، چه کسی مسئول آن است و در چه فاصله زمانی باید پایش گردد.

برای نمونه، اگر «آزمون عملکرد سیستم اعلام گاز» یک کنترل حیاتی است، شاخص مناسب فقط «تعداد آزمون‌های انجام‌شده» نیست. باید درصد آزمون‌های انجام‌شده در موعد مقرر، درصد آزمون‌های موفق، زمان رفع خرابی، تعداد bypassها، مدت زمان خارج از سرویس بودن، و کیفیت اقدام اصلاحی نیز پایش شود. اگر فقط تعداد آزمون‌ها گزارش شود، ممکن است سازمان تصور کند کنترل برقرار است، در حالی که نرخ شکست آزمون یا تأخیر در رفع خرابی بالا باشد.

در نظام هوشمند، داده‌های کنترل‌های حیاتی می‌توانند از منابع مختلف ترکیب شوند: برنامه تعمیرات، نتایج آزمون، گزارش بازرسی، مجوز کار، رخدادها، تغییرات عملیاتی، هشدارهای سامانه کنترلی و اقدامات اصلاحی. ترکیب این داده‌ها امکان می‌دهد وضعیت کنترل به‌صورت پویا نمایش داده شود. برای مثال، اگر یک سیستم حفاظتی از سرویس خارج شده، هم‌زمان فعالیت پرخطر در همان محدوده برنامه‌ریزی شده و اقدام اصلاحی نیز تأخیر دارد، نظام باید هشدار مدیریتی ایجاد کند.

21.13.3. تصمیم‌گیری بر پایه وضعیت کنترل‌ها

ارزش اصلی پایش کنترل‌های حیاتی در تصمیم‌گیری است. اگر یک کنترل حیاتی در وضعیت نامطلوب قرار دارد، سازمان باید بداند چه کاری انجام دهد: توقف فعالیت، اعمال کنترل جایگزین، افزایش سطح نظارت، تسریع تعمیر، تغییر برنامه کار یا پذیرش موقت ریسک با تأیید سطح بالاتر. بنابراین، برای هر وضعیت هشدار باید قاعده تصمیم تعریف شود.

این نکته بسیار مهم است. داشبوردی که فقط وضعیت قرمز نشان می‌دهد اما اقدام مورد انتظار را روشن نمی‌کند، ممکن است به عادی‌سازی خطر منجر شود. اگر کاربران بارها وضعیت قرمز ببینند و هیچ اتفاقی نیفتد، رنگ قرمز معنای خود را از دست می‌دهد. بنابراین، هر هشدار باید مالک، مهلت پاسخ، سطح تصمیم و مسیر تشدید داشته باشد.

در اینجا نقش مدیریت ارشد نیز مهم است. پایش کنترل‌های حیاتی زمانی جدی گرفته می‌شود که مدیران ارشد به وضعیت کنترل‌ها توجه واقعی نشان دهند. اگر در جلسات مدیریتی فقط نرخ حادثه مطرح شود، کنترل‌های حیاتی به حاشیه می‌روند. اما اگر مدیران بپرسند «کدام کنترل‌های حیاتی در وضعیت نامطمئن‌اند؟»، «کدام اقدامات تأخیردار روی ریسک‌های عمده اثر دارند؟» و «چه تصمیمی برای کنترل‌های خارج از سرویس لازم است؟»، نظام پایش به ابزار پیشگیری تبدیل می‌شود.

21.14. نقش پیمانکاران و زنجیره تأمین در نظام هوشمند پایش

21.14.1. چرا پیمانکاران باید در مرکز نظام پایش باشند؟

در بسیاری از صنایع، بخش مهمی از فعالیت‌های پرریسک توسط پیمانکاران انجام می‌شود. ساخت‌وساز، تعمیرات اساسی، حمل‌ونقل، حفاری، نصب تجهیزات، کار در ارتفاع، ورود به فضای بسته، عملیات گرم و جابه‌جایی بارهای سنگین اغلب با مشارکت پیمانکاران انجام می‌گیرد. بنابراین، اگر نظام پایش HSE فقط کارکنان رسمی یا واحدهای داخلی را ببیند، تصویر ناقصی از ریسک سازمان ارائه خواهد داد.

پایش پیمانکاران نباید به ارزیابی اولیه و بررسی مدارک محدود شود. صلاحیت اولیه مهم است، اما عملکرد واقعی پیمانکار در میدان کار شکل می‌گیرد. سازمان باید بتواند داده‌های مربوط به آموزش، مجوز کار، رخدادها، شبه‌حوادث، بازرسی‌ها، تخلفات، اقدامات اصلاحی، کیفیت سرپرستی، نتایج ممیزی و نوع فعالیت پیمانکار را به‌صورت یکپارچه تحلیل کند. Campbell Institute (2015) در گزارش‌های خود درباره مدیریت ایمنی پیمانکاران بر همین نکته تأکید می‌کند که ارزیابی پیمانکار باید چرخه کامل انتخاب، پیش‌صلاحیت، پایش حین کار و بازخورد عملکرد را پوشش دهد.

مشکل رایج در بسیاری از سازمان‌ها آن است که پیمانکاران فقط بر اساس شاخص‌های پیامدی، مانند تعداد حادثه یا نرخ آسیب، ارزیابی می‌شوند. این شاخص‌ها به‌ویژه برای پیمانکاران کوچک یا پروژه‌های کوتاه‌مدت چندان قابل اتکا نیستند، زیرا ممکن است تعداد رخدادها کم باشد یا گزارش‌دهی کامل نباشد. بنابراین، نظام هوشمند باید شاخص‌های پیشرو و زمینه‌ای را نیز وارد ارزیابی کند: کیفیت برنامه HSE پیمانکار، حضور سرپرست، وضعیت تجهیزات، مشارکت در جلسات پیش از کار، اجرای اقدامات اصلاحی، گزارش شبه‌حوادث و کیفیت کنترل‌های فعالیت‌های پرخطر.

21.14.2. طراحی امتیاز عملکرد HSE پیمانکاران

یکی از قابلیت‌های مفید نظام هوشمند، طراحی امتیاز عملکرد HSE پیمانکاران است. البته این امتیاز باید با احتیاط طراحی شود تا به رتبه‌بندی ساده‌انگارانه و ناعادلانه منجر نشود. پیمانکاری که فعالیت‌های بسیار پرخطر انجام می‌دهد نباید بدون تعدیل ریسک با پیمانکاری مقایسه شود که فعالیت اداری یا کم‌خطر انجام می‌دهد. بنابراین، امتیازدهی باید بر اساس نوع فعالیت، سطح مواجهه، ساعات کار، پیچیدگی عملیات و کیفیت گزارش‌دهی تعدیل شود.

یک مدل متوازن می‌تواند چند بعد داشته باشد: پیامدها، کنترل‌ها، فرایندها، مشارکت، یادگیری و زمینه ریسک. در بعد پیامدها، رخدادها و شدت آن‌ها بررسی می‌شود. حالا در بعد کنترل‌ها، وضعیت کنترل‌های حیاتی فعالیت‌های پیمانکار سنجیده می‌شود. در بعد فرایندها، کیفیت مجوز کار، ارزیابی ریسک، آموزش و اقدامات اصلاحی پایش می‌گردد. در بعد مشارکت، گزارش شبه‌حوادث، حضور در جلسات و مشارکت در یادگیری بررسی می‌شود. پس در بعد یادگیری، میزان اجرای درس‌آموخته‌ها و اصلاحات پایدار ارزیابی می‌شود. در بعد زمینه ریسک نیز نوع و شدت فعالیت لحاظ می‌گردد.

نکته اساسی این است که امتیاز عملکرد نباید صرفاً ابزار تنبیه یا حذف پیمانکار باشد. اگر پیمانکار بداند هر گزارش رخداد مستقیماً امتیاز او را کاهش می‌دهد، انگیزه پنهان‌کاری ایجاد می‌شود. بنابراین، نظام امتیازدهی باید گزارش‌دهی صادقانه و یادگیری را تشویق کند. برای نمونه، گزارش به‌موقع شبه‌حادثه همراه با اقدام اصلاحی مؤثر می‌تواند نشانه بلوغ پیمانکار تلقی شود، نه ضعف او.

21.15. پیوند نظام پایش HSE با پایداری، ESG و گزارش‌دهی بیرونی

21.15.1. از عملکرد داخلی تا پاسخ‌گویی بیرونی

نظام جامع هوشمند پایش HSE فقط برای مدیریت داخلی اهمیت ندارد؛ بلکه می‌تواند زیرساخت گزارش‌دهی بیرونی و پاسخ‌گویی به ذی‌نفعان نیز باشد. در سال‌های اخیر، توجه به ESG، پایداری، تغییرات اقلیمی، سلامت و ایمنی شغلی، حقوق کارکنان و اثرات زیست‌محیطی افزایش یافته است. سازمان‌ها بیش از گذشته باید نشان دهند که داده‌های گزارش‌شده قابل اتکا، قابل ردیابی و مبتنی بر فرایندهای کنترل‌شده‌اند.

استانداردهای GRI، به‌ویژه GRI 403 در حوزه سلامت و ایمنی شغلی و استانداردهای زیست‌محیطی مانند GRI 305 و GRI 306، چارچوب‌هایی برای گزارش‌دهی بیرونی ارائه می‌کنند (Global Reporting Initiative, 2021). همچنین استانداردهای IFRS S1 و IFRS S2 بر افشای اطلاعات مرتبط با پایداری و اقلیم تمرکز دارند و انتظار دارند سازمان‌ها درباره حکمرانی، راهبرد، مدیریت ریسک، شاخص‌ها و اهداف خود شفاف باشند (International Sustainability Standards Board, 2023). این تحولات نشان می‌دهد که داده‌های HSE و پایداری دیگر فقط موضوع داخلی واحد HSE نیستند؛ بلکه به بخشی از اعتبار سازمانی و تصمیم‌گیری سرمایه‌گذاران و ذی‌نفعان تبدیل شده‌اند.

اگر نظام پایش داخلی ضعیف باشد، گزارش‌دهی بیرونی نیز یا ناقص خواهد بود یا پرهزینه و پرریسک. سازمانی که داده‌های انتشار، پسماند، حوادث، مواجهه‌های شغلی و اقدامات اصلاحی را با روش‌های پراکنده و غیرقابل ردیابی جمع‌آوری می‌کند، در زمان گزارش‌دهی بیرونی با دشواری جدی روبه‌رو می‌شود. برعکس، نظام هوشمند پایش می‌تواند داده‌های مورد نیاز گزارش‌های پایداری را از منبع معتبر، با تاریخچه تغییرات و کنترل کیفیت، فراهم کند.

21.15.2. خطر سبزشویی و ضرورت قابلیت اطمینان داده

در گزارش‌دهی بیرونی، یکی از خطرهای مهم، ارائه تصویر بیش از حد مثبت یا گزینشی از عملکرد است. این مسئله در حوزه محیط‌زیست با عنوان سبزشویی شناخته می‌شود. Delmas and Burbano (2011) نشان می‌دهند که سبزشویی زمانی رخ می‌دهد که فاصله معناداری میان ادعاهای زیست‌محیطی و عملکرد واقعی وجود داشته باشد. در حوزه HSE نیز شکل‌های مشابهی از «ایمنی‌نمایی» یا «پایداری‌نمایی» ممکن است رخ دهد؛ یعنی سازمان با انتخاب برخی شاخص‌های مطلوب، تصویر کنترل‌شده‌ای از عملکرد ارائه کند، در حالی که ریسک‌های مهم یا ضعف‌های کنترلی را کم‌رنگ سازد.

برای کاهش این خطر، نظام پایش باید قابلیت اطمینان داده را تقویت کند. قابلیت اطمینان یعنی داده‌ها قابل ردیابی، مستند، کنترل‌شده و قابل ممیزی باشند. اگر سازمان اعلام می‌کند نرخ آسیب کاهش یافته، باید بتواند نشان دهد تعریف حادثه تغییر نکرده، دامنه گزارش‌دهی ثابت بوده، پیمانکاران حذف نشده‌اند و کاهش عدد ناشی از کاهش گزارش‌دهی نیست. اگر سازمان کاهش انتشار آلاینده را گزارش می‌کند، باید روش اندازه‌گیری، دامنه محاسبه، فرض‌ها و عدم‌قطعیت‌ها را روشن کند.

در اینجا، نظام هوشمند پایش به ابزاری برای صداقت سازمانی تبدیل می‌شود. صداقت در گزارش‌دهی به معنای نمایش ضعف‌ها نیست؛ بلکه به معنای ارائه تصویر متوازن، قابل دفاع و یادگیرنده است. سازمانی که چالش‌ها و برنامه‌های اصلاحی خود را نیز شفاف بیان می‌کند، معمولاً اعتماد بیشتری ایجاد می‌کند تا سازمانی که فقط موفقیت‌ها را برجسته می‌سازد.

21.16. شایستگی‌های انسانی مورد نیاز برای اداره نظام هوشمند پایش HSE

21.16.1. شایستگی‌های تحلیلی و داده‌ای

با هوشمند شدن نظام پایش، نقش متخصص HSE نیز تغییر می‌کند. کارشناس HSE آینده فقط ثبت‌کننده رخداد یا بازرس میدانی نیست؛ او باید بتواند داده را بفهمد، کیفیت آن را ارزیابی کند، الگوها را تحلیل کند، شاخص‌ها را تفسیر کند و یافته‌ها را به زبان تصمیم مدیریتی بیان نماید. این به معنای آن نیست که همه متخصصان HSE باید دانشمند داده شوند، اما آشنایی با سواد داده برای آنان ضروری است.

سواد داده شامل توانایی خواندن نمودار، فهم روند، تشخیص خطای میانگین، درک تفاوت همبستگی و علیت، توجه به کیفیت داده، فهم عدم‌قطعیت و پرسش از منبع داده است. برای مثال، اگر نرخ حادثه کاهش یافته اما ساعات کار نیز کاهش یافته، تفسیر باید با احتیاط انجام شود. اگر گزارش شبه‌حوادث در یک واحد زیاد است، ممکن است نشان‌دهنده ریسک بالا باشد یا فرهنگ گزارش‌دهی بهتر. اگر یک الگوریتم پیمانکاری را پرریسک معرفی می‌کند، باید پرسید داده ورودی چه بوده و آیا مدل زمینه فعالیت را لحاظ کرده است یا نه.

در کنار سواد داده، توانایی روایت تحلیلی نیز مهم است. مدیران معمولاً با جدول‌های طولانی تصمیم نمی‌گیرند؛ آن‌ها به روایت معتبر نیاز دارند. روایت تحلیلی یعنی توضیح روشن اینکه داده چه می‌گوید، چه نمی‌گوید، چه عدم‌قطعیتی دارد، چه گزینه‌هایی برای اقدام وجود دارد و پیامد تصمیم چیست. این مهارت، پل میان تحلیل فنی و تصمیم مدیریتی است.

21.16.2. شایستگی‌های فرهنگی، اخلاقی و ارتباطی

نظام هوشمند HSE فقط با مهارت تحلیلی اداره نمی‌شود. متخصصان و مدیران HSE باید بتوانند اعتماد بسازند، درباره داده‌های حساس گفت‌وگو کنند، نگرانی‌های کارکنان را بشنوند و از استفاده نادرست از داده جلوگیری کنند. اگر کاربران احساس کنند داده‌ها علیه آنان استفاده می‌شود، بهترین معماری داده نیز با داده‌های ناقص تغذیه خواهد شد.

بنابراین، شایستگی ارتباطی و اخلاقی اهمیت ویژه‌ای دارد. متخصص HSE باید بتواند برای کارکنان توضیح دهد چرا داده جمع‌آوری می‌شود، چگونه محافظت می‌شود، چه کسانی به آن دسترسی دارند و چگونه برای پیشگیری استفاده خواهد شد. همچنین باید بتواند در برابر فشار برای دستکاری، پنهان‌سازی یا تفسیر گزینشی داده مقاومت حرفه‌ای داشته باشد. اینجا HSE فقط یک تخصص فنی نیست؛ یک مسئولیت اخلاقی نیز هست.

رهبری HSE نیز باید از حالت دستوری صرف فاصله بگیرد و به سمت مربی‌گری، تسهیل یادگیری و پرسشگری هوشمند حرکت کند. رهبر خوب در نظام پایش هوشمند کسی نیست که فقط عددها را مطالبه کند؛ بلکه کسی است که کیفیت پرسش‌های سازمان را بالا ببرد. پرسش‌های خوب، داده‌های خوب می‌سازند و داده‌های خوب، تصمیم‌های خوب را ممکن می‌کنند.

21.17. جمع‌بندی تکمیلی: اصول طراحی نظام هوشمند پایش HSE

21.17.1. اصول راهنما برای طراحان و مدیران

در پایان این بخش تکمیلی، می‌توان اصول طراحی نظام جامع هوشمند پایش عملکرد HSE را به‌صورت فشرده چنین بیان کرد. اصل نخست، ریسک‌محوری است. نظام پایش باید از ریسک‌های اصلی آغاز شود، نه از داده‌های در دسترس یا قابلیت‌های نرم‌افزار. اصل دوم، یکپارچگی است. داده‌های HSE باید با داده‌های عملیات، پیمانکاران، تعمیرات، منابع انسانی و محیط‌زیست پیوند بخورند. اصل سوم، تصمیم‌پذیری است. هر شاخص و داشبورد باید به تصمیم یا اقدام مشخصی متصل باشد.

اصل چهارم، کیفیت داده است. داده ضعیف، تحلیل ضعیف و تصمیم ضعیف تولید می‌کند. اصل پنجم، کاربرمحوری است. اگر ثبت داده برای کاربر دشوار، بی‌معنا یا زمان‌بر باشد، نظام از درون فرسوده می‌شود. اصل ششم، شفافیت و اخلاق است. کاربران باید بدانند داده‌ها چرا جمع‌آوری می‌شوند و چگونه استفاده خواهند شد. اصل هفتم، یادگیری است. نظام پایش باید سازمان را نسبت به نشانه‌های ضعیف حساس‌تر کند و توان اصلاح سیستم را افزایش دهد. اصل هشتم، سادگی هوشمندانه است. بهترین نظام، پیچیده‌ترین نظام نیست؛ نظامی است که پیچیدگی واقعیت را به بینش قابل اقدام تبدیل کند.

21.17.2. پیام نهایی فصل

پیام اصلی این فصل آن است که آینده پایش عملکرد HSE در ترکیب خردمندانه دانش HSE، مدیریت ریسک، فناوری دیجیتال، تحلیل داده و رهبری اخلاقی قرار دارد. سازمان‌هایی که فقط به فناوری تکیه کنند، ممکن است سامانه‌های پیشرفته اما کم‌اثر بسازند. سازمان‌هایی که فقط بر تجربه سنتی تکیه کنند، ممکن است نشانه‌های جدید ریسک را دیر ببینند. راه درست، پیوند تجربه انسانی با داده معتبر و تحلیل هوشمند است.

نظام جامع هوشمند پایش عملکرد HSE، اگر درست طراحی و استقرار یابد، می‌تواند چشم سازمان را نسبت به ریسک بازتر کند. این نظام به مدیران کمک می‌کند به‌جای واکنش پس از حادثه، پیش از حادثه تصمیم بگیرند؛ به کارشناسان کمک می‌کند از ثبت داده به تحلیل و یادگیری برسند؛ و به کارکنان نشان می‌دهد گزارش آنان می‌تواند واقعاً به پیشگیری و بهبود منجر شود. در نهایت، چنین نظامی نه فقط ابزار پایش عملکرد، بلکه بخشی از بلوغ سازمان در حفاظت از انسان، محیط‌زیست و سرمایه‌های عملیاتی است.

منابع

Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S., Gil-López, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115.

Aven, T. (2016). Risk assessment and risk management: Review of recent advances on their foundation. European Journal of Operational Research, 253(1), 1–13.

Aven, T. (2015). Risk analysis (2nd ed.). Wiley

Aven, T. (2020). The science of risk analysis: Foundation and practice. Routledge

Argyris, C. (1990). Overcoming organizational defenses: Facilitating organizational learning. Allyn and Bacon

Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S., Gil-López, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable artificial intelligence: Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012

Bharadwaj, A., El Sawy, O. A., Pavlou, P. A., & Venkatraman, N. V. (2013). Digital business strategy: Toward a next generation of insights. MIS Quarterly, 37(2), 471–482. https://doi.org/10.25300/MISQ/2013/37.2.03

Campbell Institute. (2015). Best practices in contractor management. National Safety Council

Center for Chemical Process Safety. (2007). Guidelines for risk based process safety. Wiley

Center for Chemical Process Safety. (2018). Bow ties in risk management: A concept book for process safety. Wiley

DAMA International. (2017). DAMA-DMBOK: Data management body of knowledge (2nd ed.). Technics Publications.

Delmas, M. A., & Burbano, V. C. (2011). The drivers of greenwashing. California Management Review, 54(1), 64–87. https://doi.org/10.1525/cmr.2011.54.1.64

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

European Agency for Safety and Health at Work. (2019). OSH and the future of work: Benefits and risks of artificial intelligence tools in workplaces. EU-OSHA.

European Agency for Safety and Health at Work. (2022). Artificial intelligence for worker management: Implications for occupational safety and health. EU-OSHA.

Fuller, T. P. (2019). Global occupational safety and health management handbook. CRC Press

Global Reporting Initiative. (2021). GRI 403: Occupational health and safety 2018. GRI

Global Reporting Initiative. (2021). GRI 305: Emissions 2016. GRI

Global Reporting Initiative. (2021). GRI 306: Waste 2020. GRI

Ghobakhloo, M. (2020). Industry 4.0, digitization, and opportunities for sustainability. Journal of Cleaner Production, 252, Article 119869. https://doi.org/10.1016/j.jclepro.2019.119869

Grote, G. (2012). Safety management in different high-risk domains: All the same? Safety Science, 50(10), 1983–1992. https://doi.org/10.1016/j.ssci.2011.07.017

Hale, A., & Borys, D. (2013). Working to rule, or working safely? Part 1: A state of the art review. Safety Science, 55, 207–221. https://doi.org/10.1016/j.ssci.2012.05.011

Heinrich, H. W., Petersen, D., & Roos, N. (1980). Industrial accident prevention: A safety management approach (5th ed.). McGraw-Hill.

Hollnagel, E. (2014). Safety-I and Safety-II: The past and future of safety management. Ashgate

Hollnagel, E. (2018). Safety-II in practice: Developing the resilience potentials. Routledge

International Association of Oil & Gas Producers. (2020). Process safety: Recommended practice on key performance indicators. IOGP.

International Association of Oil & Gas Producers. (2023). Safety performance indicators: 2022 data. IOGP

International Labour Organization. (2022). Enhancing social dialogue towards a culture of safety and health. International Labour Office.

International Organization for Standardization. (2018). ISO 31000:2018 Risk management—Guidelines. ISO.

International Organization for Standardization. (2018). ISO 45001:2018 Occupational health and safety management systems—Requirements with guidance for use. ISO.

International Organization for Standardization. (2022). ISO/IEC 27001:2022 Information security, cybersecurity and privacy protection—Information security management systems—Requirements. ISO.

International Sustainability Standards Board. (2023a). IFRS S1 general requirements for disclosure of sustainability-related financial information. IFRS Foundation.

International Sustainability Standards Board. (2023b). IFRS S2 climate-related disclosures. IFRS Foundation

Kaplan, R. S., & Norton, D. P. (1996). The balanced scorecard: Translating strategy into action. Harvard Business School Press.

Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410. https://doi.org/10.5465/annals.2018.0174

Kotter, J. P. (2012). Leading change. Harvard Business Review Press

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

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

Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute.

National Institute for Occupational Safety and Health. (2019). Artificial intelligence: Implications for the future of work. NIOSH.

Parker, D., Lawrie, M., & Hudson, P. (2006). A framework for understanding the development of organizational safety culture. Safety Science, 44(6), 551–562. https://doi.org/10.1016/j.ssci.2005.10.004

Pasman, H. J., & Rogers, W. J. (2013). Bayesian networks make LOPA more effective, QRA more transparent and flexible, and thus safety more definable. Journal of Loss Prevention in the Process Industries, 26(3), 434–442. https://doi.org/10.1016/j.jlp.2012.07.016

Power, M. (2007). Organized uncertainty: Designing a world of risk management. Oxford University Press

Rasmussen, J., & Svedung, I. (2000). Proactive risk management in a dynamic society. Swedish Rescue Services Agency.

Redman, T. C. (2013). Data driven: Profiting from your most important business asset. Harvard Business Review Press.

Reason, J. (1997). Managing the risks of organizational accidents. Ashgate

Rogers, E. M. (2003). Diffusion of innovations (5th ed.). Free Press

Senge, P. M. (2006). The fifth discipline: The art and practice of the learning organization (Rev. ed.). Doubleday

Stavropoulos, P., Papacharalampopoulos, A., & Chryssolouris, G. (2020). Digital twins in the manufacturing sector: A review. Procedia CIRP, 93, 1065–1070. https://doi.org/10.1016/j.procir.2020.04.006

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. https://doi.org/10.1016/j.autcon.2016.05.016

Vial, G. (2019). Understanding digital transformation: A review and a research agenda. Journal of Strategic Information Systems, 28(2), 118–144. https://doi.org/10.1016/j.jsis.2019.01.003

Waring, A. (1996). Safety management systems. Chapman & Hall

Weick, K. E., & Sutcliffe, K. M. (2015). Managing the unexpected: Sustained performance in a complex world (3rd ed.). Wiley.

Woods, D. D. (2015). Four concepts for resilience and the implications for the future of resilience engineering. Reliability Engineering & System Safety, 141, 5–9. https://doi.org/10.1016/j.ress.2015.03.018

Zuboff, S. (2019). The age of surveillance capitalism. PublicAffairs