
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
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23