Analysis of Safety-Related Incidents Reported at a Major North American Petrochemical Processing Facility between 2016 and 2020
Notice bibliographique
Résumé
Chemistry is a potentially dangerous enterprise. Major incidents in academic and industrial settings are commonly used in the form of case studies to suggest lessons and inspire change; however, a truism of safety studies is that major incidents often arise from the same causes as those that previously caused minor events that remained unaddressed. However, major events make up only a very small percentage of the events that could, with multiple failures, lead to the adverse outcomes. In this study, we examined 258 routine safety incidents reported between 2016 and 2020 at a major petrochemical processing facility site in North America. Restricting the analysis to incidents that included both chemicals and human error reduced the sample to 75 incidents that were categorized via quantitative content analysis. Findings showed a significant effect of day of the week; most incidents involved mid-operation errors and related to administrative issues. Findings highlight a culture of reporting even superficially minor incidents, which may lead to improved safety-implementation policies that could help prevent major incidents from occurring. We propose a crude measure to determine the rigor of a reporting culture: the incident severity reporting threshold index, the ratio between the number of incidents involving injuries, and the total number of reported incidents. We strongly suggest that the severity threshold for reporting be lowered so as to address hazards and emergent risks before they have an opportunity to become dangerous. The implications of incident reporting and safety in industry are considered in relation to academic settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».