3、数据来源与采集：安全评价数据的常见来源、采集方法与合规伦理

安全评价风险预测模型的精度与可靠性，从根本上取决于输入数据的质量与覆盖度。数据采集环节不仅是模型构建的起点，更是决定预测结果能否落地于实际安全管理的关键瓶颈。本章将系统梳理安全评价数据的四大常见来源，阐述标准化采集流程，并重点剖析数据采集过程中的合规性要求与伦理边界，帮助学员建立从“数据源头”到“模型输入”的完整质量管控意识。

3.1 安全评价数据的四大常见来源

3.1.1 事故记录：风险预测的“历史锚点”

核心原理：事故记录是安全评价中最具权威性的数据源，它记录了组织过去发生的各类事故、未遂事件（Near Miss）及异常工况。这些数据直接反映了风险的真实触发条件与后果严重度，是构建风险预测模型时用于标注“正样本”（已发生事故）和“负样本”（未发生事故但存在隐患）的关键依据。

关键数据字段：

• 事故基本信息：时间、地点、类型（机械伤害、火灾爆炸、中毒窒息等）、等级（一般/较大/重大/特别重大）。
• 原因链信息：直接原因（人的不安全行为、物的不安全状态）、间接原因（管理缺陷、培训不足）、根本原因（体系漏洞）。
• 后果数据：伤亡人数、经济损失、环境损害、停产时长。
• 环境与工况：当时的气象条件、设备运行参数、人员操作状态。

3.1.2 检查表数据：风险状态的“定期快照”

核心原理：安全检查表（Checklist）是安全管理人员依据法规、标准和经验编制的系统性检查工具。通过定期或不定期的现场检查，将设备状态、人员操作、环境条件等转化为结构化评分或“合格/不合格”标签。这类数据反映了风险管控措施的落实情况，是预测模型的重要特征输入。

典型检查表类型：

操作流程：检查表数据采集应遵循“计划—执行—录入—复核”闭环。现场检查人员使用移动终端（PDA/手机APP）实时录入，系统自动附加时间戳和GPS定位，避免纸质记录二次转录造成的误差。

3.1.3 传感器数据：风险演变的“实时脉搏”

核心原理：随着工业物联网（IIoT）的普及，传感器已成为安全评价数据中最具时效性的来源。温度、压力、流量、气体浓度（可燃/有毒）、振动、噪声、电流等物理量被实时采集，形成高频率的时间序列数据。这些数据能够捕捉风险演变的动态过程，为预测模型提供“前兆信号”。

常见传感器类型与部署场景：

• 气体检测传感器：部署于化工装置区、储罐区、有限空间入口，监测可燃气体（LEL）、氧气浓度、H₂S、CO等。
• 温度/压力传感器：安装于反应釜、管道、压力容器，监测超温超压趋势。
• 振动传感器：用于旋转设备（泵、风机、压缩机）的轴承状态监测，预测机械故障。
• 电流/功率传感器：监测电机负载变化，识别异常工况。

3.1.4 历史报告：风险认知的“知识沉淀”

核心原理：历史报告包括历次安全评价报告（预评价、验收评价、现状评价）、HAZOP分析报告、LOPA分析报告、安全审计报告、政府监管部门的检查通报等。这些报告蕴含了专家对风险的系统性识别与评估结论，属于高价值的“专家知识”数据。虽然多为非结构化文本，但通过自然语言处理（NLP）技术可提取关键风险描述、建议措施和整改要求。

可提取的信息维度：

• 风险辨识结果（危险源、危害因素、触发条件）。
• 风险等级判定（重大风险、较大风险、一般风险）。
• 建议措施与整改完成情况。
• 同类企业/同类工艺的共性问题。

3.2 数据采集方法与标准化流程

3.2.1 四种采集方法对比

3.2.2 标准化采集流程（五步法）

1. 数据源盘点与评估：梳理组织内所有可能的安全数据源，评估其可用性、完整性和更新频率，形成数据源清单。
2. 采集方案设计：明确每个数据源的采集方式（人工/自动/接口）、采集频率（实时/每日/每周）、责任人和技术工具。
3. 数据清洗与转换：对原始数据进行去重、缺失值处理、异常值识别、单位统一、时间戳标准化。例如，将不同系统的日期格式统一为ISO 8601标准。
4. 数据存储与管理：建立安全数据仓库或数据湖，按主题域（事故域、检查域、监测域、报告域）组织数据，设置访问权限和版本管理。
5. 质量监控与反馈：定期（每月/每季度）评估数据完整性、准确性、及时性指标，向数据提供方反馈问题并推动整改。

3.3 数据采集的合规性与伦理要求

3.3.1 法律法规框架

安全评价数据采集必须遵守《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》《安全生产法》以及行业特定规范（如《危险化学品企业安全风险智能化管控平台建设指南》）。核心要求包括：

• 数据分类分级：将安全数据分为一般数据、重要数据、核心数据，对不同级别采取差异化的保护措施。
• 个人信息保护：事故记录中涉及伤员姓名、身份证号、健康信息等个人敏感信息时，必须进行去标识化或匿名化处理。
• 数据跨境限制：涉及国家关键基础设施的安全数据不得违规出境。

3.3.2 伦理与隐私考量

在数据采集过程中，除了法律合规，还需关注伦理问题：

• 知情同意：若通过视频监控、可穿戴设备采集员工行为数据，应事先告知员工采集范围、用途和保存期限。
• 数据最小化：只采集与安全评价直接相关的数据，避免过度收集与风险预测无关的个人信息。
• 算法公平性：确保训练数据不因性别、年龄、工龄等因素产生歧视性偏差。例如，不应因某班组事故记录少就简单判定其“安全”，而需考虑其作业风险暴露时长。

3.3.3 案例拆解：某化工企业传感器数据采集合规改造

背景与约束：某大型化工企业部署了500余个气体检测传感器，用于实时监测厂区有毒有害气体浓度。初始阶段，所有原始数据（含精确到秒的时间戳、具体工位坐标）直接上传至云端分析平台。合规审查发现以下问题：①数据包含员工在特定工位的活动轨迹，属于个人信息；②未与员工代表沟通数据用途；③云端存储位于境外，存在数据出境风险。

分析判断过程：法务与安全部门联合评估后，确定传感器数据属于“重要数据”级别，需在本地完成脱敏处理后才能上传。同时，需向员工公示数据采集的目的（仅用于安全预警，不用于绩效考核）。

实际操作步骤：

1. 在边缘网关增加数据脱敏模块，将工位坐标模糊化至车间级（精度从1米降至50米）。
2. 将云端存储迁移至境内合规云服务商，并签订数据保护协议。
3. 召开职工代表大会，公示数据采集范围、用途和保留期限（建议保留2年）。
4. 建立数据访问审计日志，仅授权安全管理人员查看原始数据。

结果对比：改造后，数据采集的合规风险消除，员工对安全监测的接受度从62%提升至91%。模型预测精度未受影响（脱敏后的空间粒度仍满足风险预警需求）。

复盘经验：数据合规不是“事后补救”，而应在采集方案设计阶段就嵌入隐私影响评估（PIA）。安全数据与个人数据的边界往往模糊，需法务、IT、安全三方协同定义。

3.4 常见误区与总结复盘