专栏丨数据挖掘——换个角度看事故金字塔

事故金字塔，老生常谈

下面的这个金字塔图像对很多安全管理人员来说并不陌生。简单而言，金字塔理论认为事故的发生不是偶然的、是有因果联系的，小的事故事件如果不能得到及时的处理在一定时间就能变成更加严重的事故（可记录事故、损失工作日事故甚至死亡事故）。这个理论为很多安全人员和公司所接纳，也奠定了目前广泛使用的行为基础安全观察程序的基础。

事故的金字塔（黄色的点表示实际发生的可记录事故，黑色的点表示急救或未遂事故）

从管理角度上讲，这个理论非常具有指导性，也有很多应用

●通过简单的评估不同严重程度事故的数目，我们能很容易的得出结论一个企业是不是具有良好的安全汇报文化（亦即发生事故后是按照要求汇报还是进行隐瞒）。

●通过简单的数学方法，我们能够得出在一定工作小时下（标准）的不同事故的事故率，借以衡量企业和过往时期或同行业不同企业间对比下安全（或事故）的绩效如何。这种绩效通常被叫做滞后指标。

●做的好的企业或安全管理人员还能够根据不同的数据开发出绩效考评体系，考核企业内不同部门或不同团队的安全贡献或绩效。

。。。。。。

我们关注什么，可记录事故vs？？？

以上所有的所有，笔者认为都是大有裨益的，如果应用得当能够很好地提高员工和管理层对安全的认识和承诺，推进安全工作发展。然而，在一个管理成熟、体系健全的企业里面，我们可能会遇到更加棘手的问题。在开始引入我们下一个话题之前，我请读者思考两个事故。出于篇幅考虑，我们只能提供关于事故最基本的信息，而且事故都是针对实际发生的事故的再加工，如有雷同，纯属巧合。

事故1：某员工在参加当地安监局组织的作业培训时，不知什么原因在培训机构场地滑倒造成手部骨折，造成60天的损失工时。

事故2：企业在公路上运输设备时，因为事先有进行很好的绑扎，造成设备在运输过程中从卡车上坠落。事故没有造成人员损伤（包含第三方人员），也没有造成严重的设备财产损失。

结合我们对OHSA 事故定性的知识，我们很快的在上面事故金字塔上找到了两起事故（事件）的位置。从严重程度上来看，事故1毫无悬念的造成了损失工作日事故，影响到我们的安全绩效。而事故2由于没有造成人员财产损失，被划分为未遂事故，通常不影响我们的绩效。

 

第二个问题接踵而至，如果你是企业的安全管理人员，你针对两起事故怎么做？

很多人可能会谈到，“任何事故都是可以避免的，所有的伤害都是可预防的”，“两起事故都要同样重视，既要防微杜渐，也要因势利导”，等等。我想读者想的大约都没有错，但是如果我们再增加些限制条件呢？

如果在资源有效的条件下呢，你如何调配资源？50%/50%，90%/10%，10%/90%？笔者不想提出一个标准的答案，事实上在安全管理的世界里也没有线性的标准答案。笔者一直认为这世界至少是多维度的、非线性的（multi-dimensional, non-linear），所以我们在考虑在解决实际问题时候要“务实”——找出并解决主要矛盾的主要方向。

笔者认为，主要矛盾就是那些导致或很可能导致重大事故（包含死亡、致残性伤害或造成巨大企业运转停滞的事故或事件）发生的风险。

很多行业协会针对本行业都提出了相应的安全管理指南，这些都可以为我们安全管理人员所用，比如IOGP针对石油天然气的勘探开采环节提出了12 6条救命法则，再比如美国DOJ针对运输行业提出多项道路安全改善措施。出于篇幅考虑，我们不对所有行业进行详述，只是从数据角度提出一点点想法希望对大家有所帮助。

数据挖掘，maybe the next big thing？

讲到这里，我们来看看Hi-Po的概念在数据上面的应用。下面第一幅图表显示的是某国际大型油田服务公司在某年1季度的事故数目。

不考虑急救或未遂事故，尽在1季度可记录事故就有32 138=170起，而这170起事故发生的原因几乎各不相同。就管理而言，如果从传统的角度，可能需要花掉大量人力和资源来管理造成这170起可记录事故发生的至少十几二十个问题 ——回想下最近的一起事故我们是如何善后的吧，如何成立调查小组，行动小组，制定解决方案，追踪行动项等等。把这些花费的人力物力乘以10或20，在scale到全球的范围（几十个运营国家，上百个运营现场，上万名员工等等）。

所有认为这些没有什么了不起的，笔者只能对你呵呵了（笔者曾苦逼的在美国担任全球HSE经理1年半时间……想起来全是泪呀！！！）。

但是如果换个角度，如果我们按照Hi-Po的标准，挖掘出那些Hi-Po的事故事件，把他们划分到事故金字塔上，我们会得到一个新的图形——用黄线标出的菱形。关注的事故的总数目也由原来的170 减少到54起。如果我们再对这54起事故细分，也就相对的容易很多了。

出于篇幅考虑，笔者在此只能浅显的引入数据挖掘和Hi-Po的概念，希望对读者有所帮助。感兴趣的朋友，欢迎留言继续讨论这个问题。最后，让我们以两张图来结束这次的分享，也算是评书里面常提到的“扣子”吧。

第一张图，“瑞士奶酪模型”

 

第二张图，用最直白的语言讲，数据挖掘就是跳出现有的事故数据分析手段，关注那些潜在的因素并利用数据来对现有的安全程序进行改善。

笔者介绍/Shen Chen

Shen Chen，有超过12年HSE管理经验并在国际公司担任过高级管理职位（曾在国际公司美国总部任职全球高级HSE经理），帮助过多家企业建立和改进HSE管理体系和程序。在手部安全防护、坠物预防（DROPS）、上游工艺安全以及大数据挖掘（Data Drilling）上有丰富的经验和独到的见解，著有多篇SPE论文。

Shen Chen在美国、中国、印度尼西亚、马来西亚、阿联酋等多个国家都工作过，在多文化多种族的工作环境中有着丰富的管理经验，能够结合公司和当地文化特点提出行之有效的解决办法。关注HSE前端技术和产品，也曾是很多第三方行业协会、组织的管理者和发起人。

征稿启事