فصل ۶. فناوری‌های اندازه‌گیری عملکرد در HSE

فهرست کلی فصل

6.1. مقدمه

6.2. مبانی مفهومی فناوری‌های اندازه‌گیری در نظام پایش HSE

6.3. دسته‌بندی فناوری‌های اندازه‌گیری عملکرد در HSE

6.4. سامانه‌های دیجیتال، حسگرها و اینترنت اشیا در پایش HSE

6.5. تحلیل داده، هوش مصنوعی و داشبوردهای تصمیم‌یار در ارزیابی عملکرد HSE

6.6. فناوری‌های اندازه‌گیری در حوزه ایمنی، بهداشت حرفه‌ای و محیط‌زیست

6.7. چالش‌های روش‌شناختی، فنی و اخلاقی در استفاده از فناوری‌های اندازه‌گیری

6.8. اصول انتخاب، استقرار و اعتبارسنجی فناوری‌های اندازه‌گیری در سازمان‌ها

6.9. آینده‌پژوهی فناوری‌های اندازه‌گیری عملکرد HSE

6.10. جمع‌بندی تحلیلی

منابع

.

6.1. مقدمه

6.1.1. از سنجش سنتی به سنجش فناورانه

در سال‌های اخیر، یکی از مهم‌ترین دگرگونی‌ها در مدیریت HSE، تغییر در شیوه‌های اندازه‌گیری عملکرد بوده است. اگر در گذشته بخش عمده‌ای از پایش HSE بر بازرسی‌های کاغذی، ثبت‌های دستی، گزارش‌های دوره‌ای و داده‌های پس از وقوع متکی بود، امروز با طیفی از فناوری‌ها روبه‌رو هستیم که امکان مشاهده، ثبت، تحلیل و حتی پیش‌بینی برخی ابعاد عملکرد را با سرعت و دقت بیشتری فراهم می‌کنند. این تحول صرفاً یک پیشرفت ابزاری نیست؛ در واقع، بر نحوه فهم ما از ریسک، کنترل و عملکرد نیز اثر گذاشته است.

فناوری‌های اندازه‌گیری عملکرد در HSE شامل مجموعه‌ای ناهمگون اما به‌هم‌پیوسته از ابزارها و سامانه‌ها هستند: حسگرهای محیطی، تجهیزات پوشیدنی، سامانه‌های پایش برخط، اینترنت اشیا، پهپادها، سیستم‌های اطلاعاتی یکپارچه، تحلیل کلان‌داده، الگوریتم‌های یادگیری ماشین، داشبوردهای هوشمند و حتی دوقلوهای دیجیتال. این فناوری‌ها در بهترین حالت می‌توانند فاصله میان «رخداد در محیط واقعی» و «آگاهی مدیریتی» را کاهش دهند. اما در عین حال، اگر بدون منطق علمی و مدیریتی به‌کار گرفته شوند، ممکن است فقط بر حجم داده بیفزایند، بدون آنکه کیفیت تصمیم‌گیری را ارتقا دهند (Sarker et al., 2020).

6.1.2. چرا این فصل اهمیت دارد؟

در فصول پیشین، درباره ارزیابی، پایش و شاخص‌های عملکرد HSE بحث شد. اکنون پرسش اساسی این است که این شاخص‌ها چگونه اندازه‌گیری می‌شوند و چه فناوری‌هایی پشت این سنجش قرار دارند. در عمل، هر شاخصی به یک سازوکار گردآوری داده، یک فناوری ثبت، یک منطق پردازش و یک بستر تفسیر نیاز دارد. بنابراین، کیفیت شاخص‌ها نه‌فقط به تعریف مفهومی آن‌ها، بلکه به فناوری‌های اندازه‌گیری پشتیبان آن‌ها نیز وابسته است.

به نظر من، یکی از خطاهای رایج در برخی سازمان‌ها این است که فناوری را با دقت یکی می‌گیرند. یعنی تصور می‌کنند هرچه ابزار دیجیتال‌تر یا گران‌تر باشد، داده نیز معتبرتر خواهد بود. این در حالی است که اعتبار داده به تناسب فناوری با هدف سنجش، کیفیت کالیبراسیون، شرایط استفاده، یکپارچگی داده، مهارت کاربران و مدل تفسیری وابسته است. از این‌رو، در این فصل تلاش می‌کنم فناوری‌های اندازه‌گیری را نه به‌عنوان مجموعه‌ای از ابزارهای جذاب، بلکه به‌مثابه اجزای یک نظام معرفتی-مدیریتی بررسی کنم.

6.1.3. هدف و مسیر فصل

هدف این فصل آن است که نخست، مبانی مفهومی فناوری‌های اندازه‌گیری عملکرد در HSE روشن شود؛ سپس گونه‌های اصلی فناوری‌ها معرفی و تحلیل شوند؛ در ادامه، کاربردهای اختصاصی آن‌ها در ایمنی، بهداشت حرفه‌ای و محیط‌زیست بررسی گردد؛ و نهایتاً چالش‌ها، محدودیت‌ها، ملاحظات اخلاقی و الزامات استقرار موفق آن‌ها تبیین شود. از آنجا که مخاطبان این کتاب طیفی از دانشجویان تا مدیران و کارشناسان حرفه‌ای را در بر می‌گیرند، کوشیده‌ام توازن میان تحلیل مفهومی و کاربرد عملی حفظ شود.

.

6.2. مبانی مفهومی فناوری‌های اندازه‌گیری در نظام پایش HSE

6.2.1. فناوری اندازه‌گیری دقیقاً به چه معناست؟

وقتی از فناوری‌های اندازه‌گیری در HSE سخن می‌گوییم، منظور فقط ابزارهای سنجش فیزیکی مانند گازسنج، دزیمتر صدا یا آنالایزر آلاینده نیست. در معنای گسترده‌تر، فناوری اندازه‌گیری هر سامانه، ابزار، نرم‌افزار یا زیرساختی است که داده‌های مرتبط با عملکرد HSE را تولید، ثبت، انتقال، ذخیره، تحلیل یا نمایش می‌دهد. بر این اساس، یک حسگر پایش گاز، یک نرم‌افزار ثبت حادثه، یک سامانه GIS برای پایش محیط‌زیستی، یا یک الگوریتم هوش مصنوعی برای تشخیص الگوی خطر، همگی در قلمرو فناوری‌های اندازه‌گیری قرار می‌گیرند.

این تعریف گسترده اهمیت دارد، زیرا نشان می‌دهد که سنجش عملکرد HSE فقط در نقطه تماس ابزار با واقعیت فیزیکی رخ نمی‌دهد؛ بلکه در زنجیره‌ای از مراحل شکل می‌گیرد: اندازه‌گیری اولیه، انتقال داده، پردازش، کنترل کیفیت، تحلیل و نمایش. اگر هر یک از این حلقه‌ها دچار ضعف باشد، حتی دقیق‌ترین حسگر نیز نمی‌تواند به تصمیم‌گیری معتبر منجر شود (Khan et al., 2021).

6.2.2. رابطه فناوری اندازه‌گیری با شاخص‌های عملکرد

فناوری‌ها به‌خودی‌خود شاخص تولید نمی‌کنند؛ آن‌ها مواد خام لازم برای محاسبه و تفسیر شاخص‌ها را فراهم می‌سازند. به همین دلیل، میان «فناوری اندازه‌گیری» و «نظام شاخص‌ها» باید رابطه‌ای طراحی‌شده و هدفمند برقرار باشد. اگر این پیوند وجود نداشته باشد، سازمان با وفور داده و فقر معنا مواجه می‌شود؛ وضعیتی که در بسیاری از پروژه‌های تحول دیجیتال دیده می‌شود.

برای مثال، نصب ده‌ها حسگر در یک واحد صنعتی زمانی ارزشمند است که از ابتدا روشن باشد کدام داده‌ها برای کدام شاخص، با چه تناوبی، برای چه سطحی از تصمیم‌گیری و با چه آستانه‌های هشدار به‌کار خواهند رفت. در غیر این صورت، داده‌ها عمدتاً به بایگانی دیجیتال تبدیل می‌شوند. Davenport and Harris (2017) در بحث تحلیلات سازمانی، به‌درستی تأکید می‌کنند که ارزش داده در اتصال آن به تصمیم نهفته است، نه در حجم آن.

6.2.3. از مشاهده تأخیری به پایش بلادرنگ

یکی از مهم‌ترین آثار فناوری‌های نوین، کاهش فاصله زمانی میان رخداد و شناخت آن است. در بسیاری از نظام‌های سنتی، داده‌ها با تأخیر جمع‌آوری، پالایش و گزارش می‌شدند. این تأخیر در برخی حوزه‌ها، به‌ویژه در مواجهه با خطرات پویا، می‌تواند مسئله‌ساز باشد. سامانه‌های پایش برخط و حسگرهای متصل، امکان مشاهده تقریباً بلادرنگ برخی متغیرهای HSE را فراهم کرده‌اند؛ مانند غلظت گاز، وضعیت تهویه، پارامترهای انتشار، موقعیت کارکنان در فضای محدود یا لرزش تجهیزات بحرانی.

البته «بلادرنگ بودن» را نباید با «بهتر بودن» به‌صورت مطلق یکی دانست. همه متغیرها نیازمند اندازه‌گیری لحظه‌ای نیستند و همه سازمان‌ها نیز از داده‌های بلادرنگ استفاده مؤثر نمی‌کنند. در برخی موارد، داده‌های دوره‌ای اما معتبر و خوب‌تحلیل‌شده، از داده‌های لحظه‌ای اما پراکنده و بدون چارچوب مدیریتی مفیدترند. بنابراین، انتخاب فناوری باید تابع ماهیت ریسک و نیاز تصمیم‌گیری باشد، نه صرفاً جذابیت تکنولوژیک.

.

6.3. دسته‌بندی فناوری‌های اندازه‌گیری عملکرد در HSE

6.3.1. فناوری‌های سخت‌افزاری، نرم‌افزاری و ترکیبی

نخستین دسته‌بندی مفید، تفکیک فناوری‌های اندازه‌گیری به سخت‌افزاری، نرم‌افزاری و ترکیبی است. فناوری‌های سخت‌افزاری شامل ابزارهای فیزیکی سنجش و پایش‌اند؛ مانند حسگرهای گاز، صدا، دما، لرزش، تابش، دبی، ذرات معلق یا سامانه‌های موقعیت‌یابی. حالا فناوری‌های نرم‌افزاری شامل سامانه‌های اطلاعاتی HSE، پلتفرم‌های جمع‌آوری و مدیریت داده، نرم‌افزارهای تحلیل آماری، موتورهای هشداردهی و داشبوردهای مدیریتی هستند. فناوری‌های ترکیبی نیز زمانی شکل می‌گیرند. که ابزار فیزیکی، ارتباطات شبکه‌ای و تحلیل نرم‌افزاری در یک سامانه یکپارچه ادغام شوند؛ مانند سامانه‌های IoT صنعتی.

این دسته‌بندی از آن جهت اهمیت دارد که برخی سازمان‌ها به‌اشتباه تحول دیجیتال HSE را صرفاً معادل خرید تجهیزات جدید می‌دانند، حال آنکه بدون زیرساخت نرم‌افزاری و فرایندهای داده‌محور، تجهیزات جدید اغلب به جزیره‌های اطلاعاتی تبدیل می‌شوند.

6.3.2. فناوری‌های ثابت، همراه و پوشیدنی

از منظر استقرار نیز می‌توان فناوری‌ها را به سه گروه تقسیم کرد: ثابت، همراه و پوشیدنی. سامانه‌های ثابت در نقاط مشخص نصب می‌شوند و شرایط محیطی یا فرایندی را به‌طور مستمر پایش می‌کنند؛ مانند حسگرهای نصب‌شده در خطوط تولید، اتاق‌های کنترل یا ایستگاه‌های سنجش کیفیت هوا. فناوری‌های همراه شامل ابزارهایی هستند که کاربر آن‌ها را با خود حمل می‌کند؛ مانند گازسنج‌های قابل‌حمل یا تجهیزات نمونه‌برداری فردی. فناوری‌های پوشیدنی نیز مستقیماً بر بدن یا لباس فرد قرار می‌گیرند و می‌توانند داده‌هایی درباره موقعیت، حرکت، ضربان قلب، دما، خستگی یا مواجهه فراهم کنند (Ahn et al., 2019).

هر یک از این گروه‌ها مزایا و محدودیت‌های خاص خود را دارند. سامانه‌های ثابت برای پایش محیطی مستمر مناسب‌اند، اما لزوماً مواجهه واقعی فرد را بازنمایی نمی‌کنند. ابزارهای همراه و پوشیدنی از این نظر واقع‌بینانه‌ترند، اما چالش‌هایی مانند راحتی استفاده، پذیرش کارکنان، دوام باتری، محرمانگی داده و نیاز به نگهداشت دقیق دارند.

6.3.3. فناوری‌های توصیفی، تشخیصی، پیش‌بینی‌گر و تجویزی

از منظر تحلیلی، فناوری‌های اندازه‌گیری را می‌توان بر مبنای نوع خروجی نیز دسته‌بندی کرد. برخی فناوری‌ها صرفاً توصیفی‌اند و پاسخ می‌دهند که «چه اتفاقی افتاده است؟»؛ مانند سامانه‌های ثبت رویداد یا داشبوردهای آماری. برخی تشخیصی‌اند و به این پرسش می‌پردازند که «چرا این اتفاق رخ داده است؟»؛ مانند ابزارهای تحلیل همبستگی یا تحلیل علل ریشه‌ای پشتیبانی‌شده با داده. گروهی پیش‌بینی‌گرند و بر احتمال وقوع وضعیت‌های ناایمن یا انحراف‌های عملکردی تمرکز دارند؛ مانند الگوریتم‌های یادگیری ماشین برای پیش‌بینی خستگی، نشت یا بروز حادثه. و نهایتاً برخی فناوری‌ها به سمت خروجی‌های تجویزی حرکت می‌کنند و پیشنهاد مداخله ارائه می‌دهند؛ برای مثال، هشدارهای هوشمند برای توقف فرایند یا بازتخصیص نیروی انسانی (Baryannis et al., 2019).

البته باید با احتیاط تأکید کرد که هرچه از سطح توصیف به سوی تجویز حرکت می‌کنیم، وابستگی به کیفیت داده، اعتبار مدل و شفافیت الگوریتم‌ها بیشتر می‌شود. در نتیجه، ادعاهای مربوط به «پیش‌بینی حادثه» یا «کنترل هوشمند ریسک» را باید همواره با ارزیابی انتقادی بررسی کرد.

.

6.4. سامانه‌های دیجیتال، حسگرها و اینترنت اشیا در پایش HSE

6.4.1. حسگرها به‌عنوان خط مقدم اندازه‌گیری

حسگرها نخستین نقطه تماس فناوری با واقعیت عملیاتی‌اند. در حوزه HSE، طیف گسترده‌ای از حسگرها برای اندازه‌گیری متغیرهای فیزیکی، شیمیایی و زیستی به‌کار می‌رود؛ از حسگرهای گازهای سمی و قابل اشتعال تا سنجش‌گرهای کیفیت هوا، صدا، لرزش، دما، رطوبت، تابش، فشار و ذرات معلق. دقت، سرعت پاسخ، پایداری، دامنه اندازه‌گیری و نیازهای کالیبراسیون این حسگرها به‌شدت در کیفیت داده مؤثر است (NIOSH, 2021).

در اینجا باید به یک نکته کاربردی توجه داشت. در بسیاری از سازمان‌ها، خطای اصلی نه در نبود حسگر، بلکه در ضعف راهبری آن است: کالیبراسیون نامنظم، نصب در مکان نامناسب، عدم توجه به تداخل‌های محیطی، یا استفاده از داده‌ها بدون درک محدودیت دستگاه. بنابراین، حتی در عصر دیجیتال، اصول کلاسیک اندازه‌گیری همچنان کاملاً معتبرند.

6.4.2. اینترنت اشیا صنعتی و یکپارچه‌سازی پایش

اینترنت اشیا صنعتی (IIoT) امکان اتصال حسگرها، تجهیزات، سامانه‌های کنترلی و پلتفرم‌های داده را فراهم می‌کند. در حوزه HSE، این اتصال می‌تواند به یکپارچه‌سازی پایش محیطی، وضعیت تجهیزات، موقعیت کارکنان و هشدارهای عملیاتی بینجامد. برای مثال، حسگرهای گاز، دما و فشار می‌توانند داده‌های خود را به‌طور خودکار به یک پلتفرم مرکزی ارسال کنند، این داده‌ها در کنار اطلاعات نگهداشت و عملیات تحلیل شوند، و در صورت عبور از آستانه‌های مشخص، هشدار برای اپراتور یا مدیر مربوطه صادر شود (Xu et al., 2022).

مزیت اصلی IIoT در این است که داده‌های پراکنده را به یک جریان منسجم تبدیل می‌کند. اما این مزیت تنها زمانی محقق می‌شود که استانداردهای تبادل داده، امنیت سایبری، معماری اطلاعاتی و مسئولیت‌های سازمانی به‌خوبی تعریف شده باشند. در غیر این صورت، به‌جای یکپارچگی، با لایه‌ای جدید از پیچیدگی مواجه خواهیم شد.

6.4.3. پهپادها، ربات‌ها و پایش مناطق پرخطر

در برخی محیط‌های کاری، اندازه‌گیری مستقیم توسط انسان با ریسک بالا همراه است؛ مانند مخازن، فضاهای محدود، ارتفاع، مناطق آلوده یا تأسیسات پس از حادثه. در چنین شرایطی، استفاده از پهپادها و ربات‌های بازرسی می‌تواند تحول‌آفرین باشد. این فناوری‌ها برای تصویربرداری حرارتی، تشخیص نشتی، پایش بصری خوردگی، سنجش آلودگی، بازرسی خطوط انتقال و ارزیابی خسارت کاربرد یافته‌اند (Shah et al., 2021).

البته استفاده از این فناوری‌ها نیز نیازمند ملاحظات عملی و حقوقی است: دقت تصویربرداری، تفسیر داده‌های بصری، شرایط آب‌وهوایی، آموزش اپراتور، مجوزهای پروازی و یکپارچه‌سازی با نظام نگهداشت و HSE. به بیان دیگر، پهپاد فقط یک ابزار پرنده نیست؛ اگر درست به‌کار گرفته شود، بخشی از معماری شناختی سازمان در مواجهه با ریسک‌های دور از دسترس خواهد بود.

.

6.5. تحلیل داده، هوش مصنوعی و داشبوردهای تصمیم‌یار در ارزیابی عملکرد HSE

6.5.1. از داده خام تا بینش مدیریتی

فناوری‌های اندازه‌گیری زمانی ارزش می‌آفرینند که داده خام را به اطلاعات، اطلاعات را به بینش، و بینش را به اقدام تبدیل کنند. این زنجیره، نقطه‌ای است که تحلیل داده وارد می‌شود. در HSE، تحلیل داده می‌تواند از آمار توصیفی ساده تا مدل‌های پیشرفته‌تر مانند تحلیل روند، تحلیل خوشه‌ای، تشخیص ناهنجاری، تحلیل شبکه و یادگیری ماشین را دربرگیرد (James et al., 2021).

در عمل، بسیاری از سازمان‌ها در مرحله جمع‌آوری داده نسبتاً موفق‌اند، اما در تحلیل و تفسیر عقب می‌مانند. داده‌های حادثه، بازرسی، پایش مواجهه، نگهداشت و انطباق قانونی جمع‌آوری می‌شوند، اما کمتر به‌صورت یکپارچه تحلیل می‌گردند. یکی از دلایل این مسئله، شکاف میان تخصص HSE و توان تحلیلی داده در سازمان‌هاست. از این‌رو، توسعه شایستگی‌های میان‌رشته‌ای در این حوزه اهمیت فزاینده‌ای پیدا کرده است.

6.5.2. هوش مصنوعی و امکان‌های آن در HSE

هوش مصنوعی، به‌ویژه یادگیری ماشین و بینایی ماشین، در سال‌های اخیر توجه زیادی را در HSE برانگیخته است. کاربردهای مطرح‌شده شامل تشخیص رفتارهای ناایمن در تصاویر و ویدئوها، پیش‌بینی احتمال حادثه بر مبنای الگوهای عملیاتی، تحلیل خودکار گزارش‌های رویداد، پیش‌بینی خرابی تجهیزات بحرانی، و شناسایی الگوهای غیرعادی در داده‌های محیطی است (Zhang et al., 2023).

با وجود این، باید از دو افراط پرهیز کرد: یکی بدبینی مطلق نسبت به هوش مصنوعی، و دیگری خوش‌بینی غیرانتقادی. هوش مصنوعی در HSE هنوز در بسیاری از کاربردها نیازمند اعتبارسنجی بیشتر، داده‌های باکیفیت‌تر و شفافیت الگوریتمی است. افزون بر آن، مدل‌های هوشمند معمولاً روابط آماری را می‌آموزند، نه لزوماً علل واقعی را. بنابراین، خروجی آن‌ها باید به‌عنوان پشتیبان تصمیم انسانی دیده شود، نه جایگزین قطعی آن (Amiri et al., 2024).

6.5.3. داشبوردها و سامانه‌های تصمیم‌یار

داشبوردهای HSE در سال‌های اخیر از صفحات ساده گزارش‌گیری فراتر رفته و به سامانه‌های تصمیم‌یار نزدیک شده‌اند. داشبورد مناسب باید بتواند اطلاعات را بر اساس سطح تصمیم‌گیری، نقش کاربر و نوع ریسک بازآرایی کند. مدیرعامل به تصویر کلان و روندهای راهبردی نیاز دارد؛ مدیر عملیات به انحراف‌های فرایندی و کنترل‌های بحرانی؛ و کارشناس HSE به جزئیات داده و قابلیت drill-down.

اشتباه متداول در طراحی داشبوردها آن است که تصور می‌شود هرچه نمودار و عدد بیشتر باشد، سامانه مفیدتر است. در حالی که کارآمدی داشبورد به انتخاب هوشمندانه شاخص‌ها، قابلیت تفسیر سریع، هشداردهی معنادار و ارتباط با اقدام بستگی دارد. Few (2013) از منظر طراحی داده‌محور نشان می‌دهد که نمایش بصری نامناسب می‌تواند حتی داده‌های درست را به تصمیم‌های نادرست تبدیل کند. این نکته در HSE، که با زمان و حساسیت بالا سروکار دارد، دوچندان مهم است.

.

6.6. فناوری‌های اندازه‌گیری در حوزه ایمنی، بهداشت حرفه‌ای و محیط‌زیست

6.6.1. فناوری‌های اندازه‌گیری در ایمنی

در حوزه ایمنی، فناوری‌های اندازه‌گیری عمدتاً بر سه کانون متمرکزند: پایش شرایط ناایمن، پایش رفتار و پایش وضعیت تجهیزات/فرایند. دوربین‌های هوشمند برای شناسایی عدم استفاده از PPE، سامانه‌های تشخیص ورود به نواحی ممنوعه، سیستم‌های proximity warning برای ماشین‌آلات متحرک، حسگرهای تشخیص گاز و آتش، و سامانه‌های موقعیت‌یابی کارکنان در فضای محدود از جمله مهم‌ترین کاربردها هستند (Fang et al., 2020).

این فناوری‌ها به‌ویژه در محیط‌های ساخت‌وساز، معادن، صنایع فرایندی و لجستیک توسعه یافته‌اند. با این حال، موفقیت آن‌ها به کیفیت تعریف سناریوهای خطر و یکپارچگی با رویه‌های عملیاتی بستگی دارد. اگر فناوری فقط هشدار تولید کند، اما فرایند پاسخ‌گویی سازمانی ضعیف باشد، ارزش واقعی آن محدود خواهد ماند.

6.6.2. فناوری‌های اندازه‌گیری در بهداشت حرفه‌ای

در بهداشت حرفه‌ای، فناوری‌ها در حال حرکت از نمونه‌برداری‌های مقطعی به سوی پایش شخصی‌تر، مستمرتر و زمینه‌مندتر هستند. حسگرهای پوشیدنی برای سنجش پارامترهای فیزیولوژیک، دستگاه‌های پایش فردی مواجهه با گردوغبار و گازها، دزیمترهای نویز، و سامانه‌های دیجیتال ارگونومی مبتنی بر حرکت‌سنج یا ویدئو از جمله این تحولات‌اند (Choi et al., 2017).

این تغییر مهم است، زیرا امکان می‌دهد تفاوت‌های واقعی میان افراد، وظایف و زمان‌های کاری بهتر دیده شود. در عین حال، مسائل مربوط به تفسیر داده‌های فیزیولوژیک، تفاوت‌های فردی، حریم خصوصی کارکنان و احتمال استفاده انضباطی از داده‌ها، نیازمند حساسیت بالا و چارچوب حکمرانی روشن است.

6.6.3. فناوری‌های اندازه‌گیری در محیط‌زیست

در حوزه محیط‌زیست، فناوری‌های اندازه‌گیری به‌طور گسترده در پایش کیفیت هوا، آب، خاک، انتشارهای نقطه‌ای و گسترده، نشت‌ها، پسماند و مصرف منابع استفاده می‌شوند. سامانه‌های continuous emission monitoring systems (CEMS)، ایستگاه‌های پایش محیطی، سنجش از دور، تصاویر ماهواره‌ای، حسگرهای کیفیت آب و نرم‌افزارهای محاسبه ردپای کربن نمونه‌هایی مهم در این زمینه‌اند (UNEP, 2023).

یکی از روندهای مهم در این حوزه، پیوند میان پایش محیط‌زیستی و گزارش‌گری پایداری است. شرکت‌های بزرگ، از جمله Shell، increasingly داده‌های محیط‌زیستی خود را در چارچوب‌های گزارش‌گری ساخت‌یافته منتشر می‌کنند (Shell, 2023). اما بار دیگر باید تأکید کنم که ارزش واقعی این فناوری‌ها زمانی آشکار می‌شود که علاوه بر پاسخ‌گویی بیرونی، در کنترل عملیاتی، پیشگیری از انحراف و بهبود بهره‌وری نیز به‌کار گرفته شوند.

.

6.7. چالش‌های روش‌شناختی، فنی و اخلاقی در استفاده از فناوری‌های اندازه‌گیری

6.7.1. مسئله کیفیت داده و خطای اندازه‌گیری

هیچ فناوری‌ای فارغ از خطا نیست. حسگرها ممکن است drift داشته باشند، داده‌ها ممکن است گم شوند، ارتباطات شبکه‌ای ممکن است قطع شوند، الگوریتم‌ها ممکن است داده‌های پرت را نادرست تفسیر کنند، و کاربران ممکن است ورودی‌های اشتباه ثبت کنند. بنابراین، یکی از چالش‌های بنیادین در فناوری‌های اندازه‌گیری HSE، مدیریت کیفیت داده است.

مدیریت کیفیت داده شامل کالیبراسیون، اعتبارسنجی، کنترل داده‌های مفقود، شناسایی ناهنجاری، مستندسازی فراداده و تعریف مسئولیت‌هاست. در غیر این صورت، سازمان ممکن است بر مبنای داده‌هایی تصمیم بگیرد که ظاهراً دقیق اما در واقع ناپایدار یا منحرف‌اند.

6.7.2. امنیت سایبری و یکپارچگی سامانه‌ها

هرچه HSE دیجیتال‌تر می‌شود، به همان نسبت در معرض مخاطرات سایبری نیز قرار می‌گیرد. اتصال حسگرها، سامانه‌های کنترل، پایگاه‌های داده و داشبوردها، اگر بدون معماری امنیتی مناسب انجام شود، می‌تواند آسیب‌پذیری‌هایی ایجاد کند که خودشان پیامدهای HSE در پی داشته باشند. در صنایع فرایندی، حمله سایبری به سامانه‌های کنترلی یا دستکاری داده‌های پایش می‌تواند مستقیماً ایمنی را تحت تأثیر قرار دهد (NIST, 2024).

از این‌رو، نگاه به فناوری‌های اندازه‌گیری HSE باید با همکاری نزدیک متخصصان IT، OT و HSE صورت گیرد. امنیت سایبری در اینجا یک مسئله حاشیه‌ای نیست؛ بخشی از خودِ ایمنی و قابلیت اعتماد سامانه است.

6.7.3. ملاحظات اخلاقی، حریم خصوصی و اعتماد کارکنان

یکی از حساس‌ترین موضوعات، به‌ویژه در فناوری‌های پوشیدنی و سامانه‌های بینایی ماشین، مسئله حریم خصوصی کارکنان است. اگر فناوری‌ها به‌گونه‌ای به‌کار گرفته شوند که کارکنان احساس کنند دائماً تحت مراقبت انضباطی‌اند، اعتماد سازمانی آسیب می‌بیند و حتی همکاری واقعی با برنامه‌های HSE کاهش می‌یابد. در مقابل، اگر از ابتدا هدف، حدود استفاده، محرمانگی، دسترسی به داده و منافع حفاظتی فناوری برای کارکنان به‌روشنی توضیح داده شود، احتمال پذیرش و اثربخشی بیشتر می‌شود (ILO, 2025).

به بیان دیگر، فناوری اندازه‌گیری در HSE فقط یک پروژه فنی نیست؛ یک پروژه اجتماعی و اخلاقی نیز هست. بدون مشروعیت سازمانی، بهترین فناوری‌ها نیز به مقاومت پنهان یا آشکار خواهند انجامید.

.

6.8. اصول انتخاب، استقرار و اعتبارسنجی فناوری‌های اندازه‌گیری در سازمان‌ها

6.8.1. انتخاب مبتنی بر مسئله، نه مبتنی بر مد

انتخاب فناوری باید از مسئله آغاز شود، نه از بازار فناوری. سازمان ابتدا باید مشخص کند کدام ریسک، کدام شکاف اطلاعاتی یا کدام نیاز تصمیم‌گیری را می‌خواهد برطرف کند. سپس بر اساس آن، فناوری مناسب را برگزیند. این اصل ساده در عمل اغلب نادیده گرفته می‌شود و سازمان‌ها ابزارهایی خریداری می‌کنند که از نظر فنی جذاب‌اند اما از نظر کاربردی اولویت ندارند.

به نظر من، یک پرسش راهبردی در آغاز هر پروژه فناورانه HSE باید این باشد: «اگر این فناوری را مستقر کنیم، دقیقاً چه تصمیمی را بهتر خواهیم گرفت و کدام ریسک را بهتر کنترل خواهیم کرد؟» اگر پاسخ این پرسش روشن نباشد، احتمال شکست پروژه بالاست.

6.8.2. استقرار مرحله‌ای و یادگیری‌محور

فناوری‌های اندازه‌گیری بهتر است به‌صورت مرحله‌ای و آزمایشی استقرار یابند، نه به‌صورت یکباره و سراسری. اجرای پایلوت در یک واحد یا فرایند منتخب، به سازمان امکان می‌دهد مسائل فنی، رفتاری، داده‌ای و مدیریتی را پیش از توسعه گسترده شناسایی کند. این رویکرد همچنین به ایجاد یادگیری سازمانی و اصلاح تدریجی طراحی کمک می‌کند.

تجربه نشان می‌دهد که بسیاری از شکست‌های تحول دیجیتال نه به‌دلیل ضعف ذاتی فناوری، بلکه به‌سبب اجرای شتاب‌زده، آموزش ناکافی، تعریف نامشخص نقش‌ها و نبود مالکیت سازمانی رخ می‌دهد. بنابراین، استقرار موفق، به‌اندازه انتخاب فناوری اهمیت دارد.

6.8.3. اعتبارسنجی، آموزش و ادغام با نظام مدیریت HSE

هیچ فناوری اندازه‌گیری نباید بدون اعتبارسنجی کافی وارد تصمیم‌گیری حساس HSE شود. اعتبارسنجی شامل ارزیابی فنی عملکرد ابزار، مقایسه با روش‌های مرجع، آزمون در شرایط واقعی کار و بررسی قابلیت اعتماد در طول زمان است. افزون بر این، کاربران باید آموزش ببینند نه‌فقط در نحوه استفاده، بلکه در فهم محدودیت‌ها و تفسیر نتایج.

در نهایت، فناوری زمانی مؤثر است که با فرایندهای رسمی HSE ادغام شود: مدیریت تغییر، پاسخ به هشدار، بررسی رویداد، ممیزی، گزارش‌دهی و بازنگری مدیریتی. اگر فناوری در حاشیه نظام مدیریتی باقی بماند، داده تولید خواهد کرد، اما اثر ساختاری نخواهد گذاشت.

.

6.9. آینده‌پژوهی فناوری‌های اندازه‌گیری عملکرد HSE

6.9.1. از پایش به پیش‌بینی و از پیش‌بینی به تاب‌آوری

به نظر می‌رسد مسیر آینده فناوری‌های HSE از پایش صرف به سوی پیش‌بینی، و از پیش‌بینی به سوی تقویت تاب‌آوری سازمانی حرکت می‌کند. دوقلوهای دیجیتال، تحلیل‌های سناریومحور، مدل‌سازی پیش‌بینانه و سامانه‌های هشدار زودهنگام این امکان را فراهم می‌کنند که سازمان‌ها نه‌فقط از وضعیت موجود آگاه شوند، بلکه بتوانند رفتار آینده برخی سامانه‌ها را نیز بهتر برآورد کنند (Tao et al., 2022).

با این حال، باید توجه داشت که «پیش‌بینی» در حوزه‌های اجتماعی-فنی پیچیده، همواره با عدم‌قطعیت همراه است. بنابراین، آینده مطلوب احتمالاً نه در رؤیای کنترل کامل، بلکه در ترکیب هوشمند فناوری، قضاوت حرفه‌ای و ظرفیت یادگیری سازمانی نهفته است.

6.9.2. همگرایی HSE با پایداری، نگهداشت و عملیات

روند مهم دیگر، همگرایی روزافزون داده‌های HSE با داده‌های عملیات، نگهداشت، انرژی و پایداری است. این همگرایی می‌تواند فهم جامع‌تری از عملکرد سازمان ایجاد کند. برای مثال، داده‌های لرزش تجهیزات، مصرف انرژی، انحراف‌های فرایندی و انتشار آلاینده‌ها وقتی در کنار هم تحلیل شوند، تصویری به‌مراتب غنی‌تر از زمانی به دست می‌دهند که هرکدام جداگانه بررسی شوند.

این تحول البته مستلزم شکستن مرزهای سنتی بین واحدها و حرکت به سوی حکمرانی داده یکپارچه است. در چنین افقی، HSE دیگر یک جزیره اطلاعاتی نخواهد بود، بلکه بخشی از هوش عملیاتی سازمان خواهد شد.

.

6.10. جمع‌بندی تحلیلی

6.10.1. فناوری به‌عنوان توانمندساز، نه جایگزین قضاوت

مهم‌ترین نکته‌ای که باید از این فصل به خاطر سپرد آن است که فناوری‌های اندازه‌گیری عملکرد HSE، هرچند تحول‌آفرین‌اند، جایگزین فهم حرفه‌ای، طراحی مفهومی شاخص‌ها و قضاوت مدیریتی نمی‌شوند. فناوری خوب می‌تواند دید سازمان را تیزتر کند، اما نمی‌تواند به‌تنهایی تصمیم درست را تضمین کند. سنجش در HSE همچنان یک فرایند انسانی-سازمانی باقی می‌ماند که فناوری فقط آن را تقویت می‌کند.

6.10.2. ارزش واقعی فناوری در یکپارچگی و معنا

فناوری زمانی ارزشمند است که داده‌های معتبر تولید کند، آن‌ها را در بستر مناسب قرار دهد، به شاخص‌های معنادار پیوند بزند و نهایتاً اقدام بهتر را ممکن سازد. بنابراین، مسئله اصلی نه «داشتن فناوری» بلکه «داشتن فناوری مناسب در معماری درست» است. سازمانی که بدون منطق، صرفاً ابزارهای بیشتر انباشته می‌کند، ممکن است از نظر ظاهری دیجیتال شود، اما از نظر حکمرانی HSE همچنان بالغ نباشد.

6.10.3. نتیجه نهایی

اگر فصل پیشین به ما آموخت که چه چیزهایی را باید بسنجیم، این فصل نشان داد که چگونه می‌توان آن‌ها را با اتکا به فناوری اندازه‌گیری کرد. اما پیام نهایی عمیق‌تر از این است: در HSE، فناوری زمانی به سرمایه واقعی تبدیل می‌شود که از ابزار ثبت به ابزار فهم و از ابزار فهم به ابزار بهبود تبدیل شود. این گذار، نه صرفاً فنی، بلکه مدیریتی، سازمانی و اخلاقی است.

.

منابع

Ahn, S., Kim, J., & Steel, J. (2019). Mobile and wearable technologies for workers’ safety and health in construction. Journal of Construction Engineering and Management, 145(3), 04019003. https://doi.org/10.1061/(ASCE)CO.1943-7862.0001621

Amiri, M., Chen, Y., & Park, J. (2024). Artificial intelligence applications in occupational safety and health: A systematic review of opportunities and limitations. Safety Science, 170, 106364. https://doi.org/10.1016/j.ssci.2023.106364

Baryannis, G., Validi, S., Dani, S., & Antoniou, G. (2019). Supply chain risk management and artificial intelligence: State of the art and future research directions. International Journal of Production Research, 57(7), 2179–2202. https://doi.org/10.1080/00207543.2018.1530476

Choi, B., Hwang, S., & Lee, S. H. (2017). What drives construction workers’ acceptance of wearable technologies in the workplace?: Indoor localization and wearable health devices for occupational safety and health. Automation in Construction, 84, 31–41. https://doi.org/10.1016/j.autcon.2017.08.005

Davenport, T. H., & Harris, J. G. (2017). Competing on analytics: The new science of winning (Rev. ed.). Harvard Business Review Press.

Fang, Q., Li, H., Luo, X., Ding, L., Luo, H., Rose, T. M., & An, W. (2020). Detecting non-hardhat-use by a deep learning method from far-field surveillance videos. Automation in Construction, 85, 1–9. https://doi.org/10.1016/j.autcon.2017.09.018

Few, S. (2013). Information dashboard design: Displaying data for at-a-glance monitoring (2nd ed.). Analytics Press

International Labour Organization. (2025). Digitalization and artificial intelligence for occupational safety and health: Opportunities, risks and governance considerations. ILO

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in

R (2nd ed.). Springer

Khan, F., Rathnayaka, S., & Ahmed, S. (2021). Methods and models in process safety and risk management: Past, present and future. Process Safety and Environmental Protection, 147, 1169–1192. https://doi.org/10.1016/j.psep.2020.12.007

National Institute for Occupational Safety and Health. (2021). Direct-reading monitors and sensors for occupational safety and health applications. Centers for Disease Control and Prevention

.

National Institute of Standards and Technology. (2024). Cybersecurity framework (CSF) 2.0. U.S. Department of Commerce

Sarker, I. H., Kayes, A. S. M., Watters, P., Alazab, M., & Ng, A. (2020). Cybersecurity data science: An overview from machine learning perspective. Journal of Big Data, 7, 41. https://doi.org/10.1186/s40537-020-00318-5

Shah, S. H. H., Khattak, A., & Faisal, M. N. (2021). Drone-based inspection and monitoring in industrial facilities: Opportunities and implementation challenges. Journal of Loss Prevention in the Process Industries, 72, 104550. https://doi.org/10.1016/j.jlp.2021.104550

Shell plc. (2023). Sustainability report 2023. Shell

Tao, F., Xiao, B., Qi, Q., Cheng, J., & Ji, P. (2022). Digital twin modeling. Journal of Manufacturing Systems, 64, 372–389. https://doi.org/10.1016/j.jmsy.2022.06.015

United Nations Environment Programme. (2023). Measuring progress: Environmental data, indicators and digital monitoring for sustainability transitions. UNEP

Xu, L. D., Xu, E. L., & Li, L. (2022). Industry 4.0: State of the art and future trends. International Journal of Production Research, 60(16), 4792–4828. https://doi.org/10.1080/00207543.2021.1930479

Zhang, Y., Chen, H., Wang, X., & Li, Z. (2023). Machine learning and computer vision applications for occupational safety management: A review. Safety Science, 163, 106137. https://doi.org/10.1016/j.ssci.2023.106137