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
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26