京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据是实施“持续安全”战略的重要法宝
9月5日,国务院印发《促进大数据发展行动纲要》,提出“大数据是推动政府治理能力现代化的内在需要和必然选择”。作为民航安全从业人员,笔者不由地思考大数据在实施“持续安全”战略中将发挥哪些作用?
大数据是实施“持续安全”战略的重要法宝。
实施“持续安全”战略,核心是完成对风险隐患的精细化、科学化和系统化管控,基础在于实现安全监管的内容、行为和结果的数据化,对安全形势研判和决策做到“心中有数”。
当前,民航业已经构建了成熟的分层级、分专业、分环节的监管体系。但在部分领域的部分环节,其数据化程度还有待提高,有的没有被完整记录,有的“沉睡”在档案室里,有的隐藏在脑海中,还有的可能模糊在印象中,离实现全行业安全监管大数据目标还有较大差距。
遗失的、“沉睡”的、隐藏的、模糊的数据难以被科学利用并发挥作用。曾有领导干部感慨:“是一年监管6000次,还是监管8000次?6000次未必出事,8000次未必不出事!”
“活着”的大数据,才能完成对安全形势的定量化分析,从而做到“用数据说话,用数据分析,用数据管理,用数据决策,用数据创新”。
因此,大数据是实现风险管控从“定性”到“定量”的跨越,实施“持续安全”战略的重要法宝。
大数据在民航安全监管中
应用的成果和不足
对民航来说,大数据并不陌生。
(一)成果方面。大数据的采集、整合、分析和利用需要信息系统的支撑,而民航作为信息技术应用的典范行业,在行业范围内有民航飞行标准监督管理系统(FSOP)、使用困难报告系统(SDR)、安全管理体系(SMS)、航空安全信息网等;在区域范围内有华东民航安全监管工作平台(ESSP)等监管协作平台,部分监管局也搭建了独立的业务信息平台。部分监管局使用较好的系统,如飞行标准监督管理系统(FSOP),已经完成了由“沉睡的数据”到“数据”,由“数据”到“大数据”的积累过程。
经过深入观察,不难发现这些领域基本实现了大数据与监管工作的相互融合及促进。一方面,日常的监管工作为大数据提供鲜活的素材。通过信息技术将日常监管的内容、动作、成果以数据化形式记录到数据库中,进而形成大数据;另一方面,大数据在为宏观的安全形势分析和决策提供强力支撑的同时,也反作用于日常监管,在促进其实现精细化、科学化、系统化的同时,还实现了业务线管理的扁平化和信息化。
(二)不足方面。主要表现为数据还不够“大”。直接原因是平台的孤立性和数据挖掘的粗线条,更深层次的原因还在于大数据离与全行业、全领域的安全监管工作融合还有较大差距。主要体现在三个方面:一是并非所有领域的监管内容都很精细,都制定了可执行、可追溯的风险清单、监管清单。二是并非对所有的监管行为都进行智能跟踪分析,对监管结果都进行可量化评估。三是并非所有的监管结果都可转化为对企业安全风险状态进行量化评估的依据。
实施持续安全战略,不仅要在意识层面上采用科学的思维方式和思想方法,还要在工作层面上从盯人、盯事件、盯岗位的传统监管模式转变到盯系统、盯组织上来。然而 ,系统、组织毕竟不同于有形的监管对象,它看不见、摸不着。在无迹可循的摸索中,如果没有大数据的支撑,我们容易陷入传统监管模式的依赖惯性和“心中无数”的纠结中。
促进大数据与监管融合
是实施“持续安全”战略的重要途径
将大数据与监管融合,也许是找到症结,促进监管转型的有益尝试。
(一)以大数据的精细化,促进制定各领域的精细的风险清单、监管清单。一方面,梳理法律、规章、政策文件、内部制度中已找到界定的风险点,另一方面,充分挖掘经验数据,梳理历年监管数据和事件、事故数据,交流总结各地监管经验,制定针对不同企业主体的风险清单和监管清单。以清单为依据,结合监察计划和监管目的,科学计算并编制监管任务,以实现对风险隐患的网状覆盖。
(二)以大数据的科学化,促进建立科学的监管效能评估模型。一方面,建立记录全流程执法行为的数据库,按照每个环节是否均有章可循,有据可查、有人负责、有人监督为标准,智能跟踪并科学评估执法行为的规范性,避免因执法标准不统一、程序不规范引发的后续问题;另一方面,进行监察工作量化评估和过错责任追究制,科学评估考核监管工作成效,防范因监管水平、能力、状态等因素造成的监管质量的起伏波动。
(三)以数据的系统化,促进建立系统的企业风险指数数据模型。一是实现对安全形势持续进行量化分析。充分利用“沉睡”在档案中历年不同企业主体的检查、整改、处罚等数据,科学建模,形成可量化、可分析的各环节的企业风险指数。二是依据风险指数,优化监管资源分配。根据风险指数的高低和变化情况,科学调配监管资源投放,并有针对性地加大监管力度,把好钢用在刀刃上。三是以指数合理性体现安全工作的经济效益。安全工作之所以难做,很重要的原因在于安全的经济效益具有天然的隐匿性,其在财务报表中并无体现。将企业风险指数与企业经营挂钩,对风险指数高的企业进行航班时刻和生产运行等方面的限制,促使生产运行主体充分认识并协调好“安全与发展、安全与效益、安全与服务、安全与正常”的关系。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师 出品 作者:李诗怡 一、数据分析四大思维 1. 对比思维:没有对比就没有分析 核心观点:单独一个数字没有意义,有 ...
2026-10-05Kimball 是方法,星型模型是它产出的形状。 很多人把"Kimball vs 星型模型"当成一道选择题——这本身就是个误会:Kimball 是动词 ...
2026-10-05写在开头 老板在微信上甩来一句: "帮我看下为什么销量跌了。" ” 你回工位,打开 SQL,开始写。查订单表、拉近三个月、按 ...
2026-10-03CDA数据分析师 出品 作者:李诗怡 1. 事实表 vs 维度表 对比维度 事实表 维度表 核心问题 记录“业务发生了什么事” 描述 ...
2026-10-02做数据聚合时,PySpark的groupBy()确实能完成统计,这也是它的本职工作。但它有一个根本性局限:每一组数据,最终只能返回一行 ...
2026-10-01热力地图是数据可视化中极具辨识度与实用性的空间分析图表,结合地理空间维度与数据密度特征,通过颜色深浅、色阶渐变直观展示数 ...
2026-09-30 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-09-30同样是“银行数据岗”,在国有大行总行数据中心、在一家城商行的零售部、在银行系金融科技子公司、在保险公司,工作内容、成长节 ...
2026-09-29在数据分析与统计学研究中,数据往往不是独立存在的,不同变量之间普遍存在相互关联、相互影响的关系。相关性统计分析是挖掘变量 ...
2026-09-29 导读:大多数人只把 dataclasses 当成偷懒工具,用来少写 __init__、__repr__ 这类魔法方法。但它的能力远不止于此。本文带 ...
2026-09-29 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-09-29在MySQL数据库运维与业务开发中,行业普遍存在“数据达到千万级就必须分表”的说法。但在实际生产环境中,千万条数据并不是强制 ...
2026-09-28CDA数据分析师 出品 作者:李诗怡 1. 5W1H 分析法 定义:经典系统性思维框架,通过六个核心维度对问题进行全方位拆解与剖析,确 ...
2026-09-28 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-09-28CDA数据分析师 出品 作者:李诗怡 1. 用户标签体系 定义: 通过一系列高度精炼的特征标识,对用户属性、行为与偏好进行量化刻画 ...
2026-09-24Pandas是Python生态中用于表格数据处理的核心库,广泛应用于数据清洗、统计运算、报表输出、数据分析建模等场景。在处理极大数值 ...
2026-09-24随着数字经济快速发展,数据已成为核心生产要素,各行各业的业务沉淀、用户行为、设备运行、市场交易均产生海量数据。数据处理作 ...
2026-09-24 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-09-24在时序数据分析中,大部分业务数据并非持续平稳变化,而是会在某些时间节点出现突然抬升、断崖下跌、趋势反转、波动异变等现象, ...
2026-09-23在统计学与数据分析中,研究多组数据差异最常用的方法为单因素方差分析与事后多重比较。很多数据分析初学者容易混淆两者功能,认 ...
2026-09-23