알림 목록

分析区域： 蔚山广域市

核心区域： 尾浦温山国家工业园区、南区、东区、北区、蔚州郡

议程：劳动、安全和健康数据的预测、传播和保护级别

黄金时间类型：事故后数据锁定风险

参考日期： 2026年8月28日

版本：区域 AX 黄金时间智能 v3.2
 

2025年，全国范围内需调查的致命事故数量为605起，比上年增加16起，其中制造业死亡人数为158人。尽管制造业死亡人数减少了17人，但事故数量却增加了4起，这表明死亡规模和事故发生频率呈现相反的变化趋势。目前，蔚山市尚无实时公开数据，无法按行业、公司规模、总承包商/分包商以及流程等因素关联风险。如果仅以2026-2028年期间的死亡总人数来判断安全性，那么只有在事故发生后才能发现流程中风险增加的预警信号。 工业安全AX的出发点并非事故统计数据的数字化，而是事故发生前数据的可获取性。

蔚山市获得了66亿韩元的政府拨款，用于在2026年前开展基于人工智能和大数据的热浪应对项目，并建立了智能绿色工业园区的综合控制中心。虽然安全管理已从巡逻和报告转向基于传感器、空间信息和预测数据的系统，但整合范围——包括工人暴露、工艺风险和工业场所的健康信息——尚未公开。如果未来两到三年内城市灾害人工智能和工作场所安全数据仍然分离，将无法预测与热浪、化学品、重物和密闭空间相关的复杂风险。尽管 蔚山的安全人工智能已进入城市环境阶段，但尚未达到工作场所整合阶段。

2025年，员工人数少于50人的工作场所共发生351起致命事故，约占总数的58%；员工人数少于5人的工作场所发生174起死亡事故，比上一年增长14.5%。尽管工业安全风险主要集中在小型场所（管理人员和设施投资相对薄弱），而非大型场所，但蔚山分包商中不同规模企业采用人工智能安全设备的比率尚未得到核实。如果2026年至2028年间，以大型企业为中心的智能安全普及趋势持续下去，风险将转移到供应链的下游，而非消除。 工业安全AX面临的最大差距并非技术水平，而是不同规模企业获取技术的途径存在差异。

韩国职业安全健康局（KOSHA）正在推广智能安全设备，包括人工智能视频识别、智能起重机防撞系统、叉车近距离预警以及坍塌和位移检测等。尽管安全技术已从防护装备和标志转向实时检测、预警和自动停止，但蔚山市已安装这些设备的场所数量、误报率、事故减少率以及设备连续运行率等数据尚未公开。如果两三年内安装数量增加，但风险降低效果却未得到证实，那么这些设备最终只会成为一项采购记录，而无法衡量其安全性能。 智能安全技术已实现商业化，但其在蔚山市的实际应用效果仍有待验证。

传统的安全管理方式是回顾性地汇总事故、险情、检查清单和健康检查结果。虽然人工智能安全系统旨在实时整合工人位置、设备振动、气体浓度、温度、工作顺序和过往事故等信息，但蔚山工业园区的数据标准和联合分析范围仍未确定。如果2026年至2028年的数据仍然局限于单个企业的设备，那么其他工作场所也将重蹈覆辙，发生同样的事故。 工业安全领域的竞争单位已经从单个设备转向整个供应链的风险学习速度。

与事故不同，职业健康问题是长期累积噪声、粉尘、有害化学物质、重复性动作和轮班工作等因素影响后才表现为疾病。虽然已有健康检查和已确认的工伤事故数据，但将日常接触与个人长期健康变化联系起来的区域数据尚未公开。如果未来两到三年内发生企业重组和员工流动，接触史将分散在多个工作场所，从而更难追踪因果关系。 职业健康评估的不足之处不在于诊断技术，而在于员工在不同工作场所之间流动后仍然存在的接触史数据。

韩国职业安全健康机构对造船业严重事故案例的调查显示，该行业存在诸多反复出现的风险，例如脚手架、重物、绳索断裂、坠落和碰撞。由于造船生产涉及分段、焊接、涂装和组装等工序，以及多阶段协同作业，风险往往出现在工序交界处；然而，目前尚未建立整合总承包商和分包商位置、工作许可和设备状况等信息的公开披露系统。随着订单量和外籍劳工数量的增加，两到三年内，不同班次之间的信息不对称加剧了事故发生的概率。 造船安全方面的最大隐患并非在于缺乏对风险类型的了解，而在于无法实时控制同时进行的各项作业。

韩国职业安全健康院分析了造船业焊接、喷漆和生产工人接触有害因素的情况以及职业癌症风险。尽管风险评估的范围已从事故扩展到长期疾病，但目前尚无公开的队列研究将蔚山造船厂工人的累积暴露情况与其退休后的健康状况联系起来。即使工作自动化持续到2028年，过去曾接触过有害因素的人群所患的疾病也会在之后显现。即使 造船业自动化（Shipbuilding AX）能够减少当前的事故，也无法立即消除过去暴露造成的健康隐患。

石化联合企业运营涉及易燃和有毒物质、高压高温设施以及连续生产工艺。尽管风险并非源于单个员工的行为，而是源于设备老化、工艺偏差和维护计划等因素的综合作用，但各公司之间关于管道和公用设施风险数据的共享程度却未公开。如果2026年至2028年间，由于减产和设施重组导致维护周期和人员构成发生变化，那么基于正常运行数据训练的模型的预测能力可能会下降。 石化安全AX面临的风险不仅在于缺乏模型，还在于重组本身会改变学习环境。

虽然工作场所环境监测和专项健康检查可以有效控制化学品暴露，但监测周期之间的浓度波动以及外包工人的累积暴露量却只能有限地被记录下来。将过程传感器数据与健康数据关联起来可以提高预测能力，但也会在个人信息、就业歧视和数据所有权方面造成漏洞。如果分析在没有权利规则的情况下持续两到三年，则很可能健康预测结果会被用于工人选拔，而不是用于改进工作。 职业健康评估（Occupational Health AX）在技术上是可行的，但如果没有劳动数据权利，它就不被视为受保护的技术。

在汽车工厂中，机器人、传送带、压力机、叉车和工人在同一生产空间内作业。虽然智能安全设备能够实时检测接近、碰撞和夹伤等风险，但供应商和物流公司的设备是否也达到同样的水平尚不明确。如果未来两到三年内仅提升整车工厂内部的安全水平，那么风险将转移到零部件装卸、外包维护和物流环节。 汽车安全AX的完善程度在供应链的边界处低于工厂内部。

电气化和电池生产的扩张带来了高压、热失控、化学物质以及新的维护风险。虽然产业结构正从与内燃机相关的机械风险转向涉及电力、化学品和软件的复杂风险，但蔚山工厂的事故和险情分类系统在多大程度上反映了这种转变，目前尚不清楚。仅从2028年之前的事故类型中吸取经验，将无法预测新工艺中低频高风险的事故。未来 车辆安全AX系统凭借丰富的历史数据，在应对历史风险方面表现出色，但在数据有限的情况下，则容易受到新风险的影响。

蔚山大学启动了一个利用人工智能和大数据收集和预测局部热浪的项目。虽然将热浪信息从城市平均温度细分为特定工作场所的微气候的可能性有所提高，但其与工人的工作强度、防护装备、轮班时间和潜在健康状况之间的关联程度仍有待证实。如果气候风险在两到三年内增加，即使在相同的温度下，不同作业流程造成的健康损害差异也会扩大。 蔚山大学的“热浪AX”项目目前处于环境预测阶段，而非针对特定工人的风险评估阶段。

造船业正在扩大其外籍劳动力规模，而整个制造业正面临技术工人老龄化的困境。尽管理解风险信息所需的语言、经验和健康状况已趋于多样化，但实时多语言警报以及个人风险等级的应用率尚未公开。如果2026年至2028年间劳动力结构的变化速度超过安全培训和警报系统的更新速度，即使安装了相关技术，预警也无法转化为实际行动。 与劳动力结构的变化相比，蔚山安全信息的个性化和多语言化程度仍未得到证实。

人工智能视频识别和位置追踪技术能够检测进入危险区域和未佩戴防护装备的行为。虽然这提高了安全管理的透明度，但目前尚无统一的区域标准来界定工人的移动、速度和行为数据是否可以用于生产力评估或纪律处分。如果安全数据被用于非预期用途，且保存期限长达两到三年，工人可能会选择避开传感器或不进行报告，从而导致数据质量下降。 在安全人工智能领域，监控和保护功能并未分离，由于缺乏信任，其预测性能会受到影响。

尽管人工智能模型可以从以往的事故和正常运行数据中学习，但工业事故发生频率低，且涉及复杂的各种情况。由于事故数据稀缺，验证误报和漏报十分困难，然而蔚山工厂各模型的性能指标却并未公开。到2028年，如果报警准确率较低，该工厂将忽略重复报警并禁用自动停机功能。 安全人工智能的评估标准并非安装状态，而是漏报率和现场可靠性。

蔚山拥有智慧绿色产业综合控制中心、人工智能热浪预测系统、专门的产业安全机构以及来自大型企业的智能安全系统。虽然城市、产业园区和大型企业的准备情况已得到确认，但合作企业和小型工作场所的设备、数据和专职人员水平尚未公开。如果供应链底端的准备情况在两到三年内没有得到评估，那么大型企业的表现可能会高估区域平均水平。 蔚山的Safety AX准备水平被评为：大型企业“先进”，而产业生态系统“不均衡”。

到2025年，全国约58%的致命事故发生在员工人数少于50人的工作场所。虽然风险中心在于小型工作场所，但运行人工智能安全设备需要投资、沟通、维护和数据分析能力。蔚山小型企业的持续运行率尚未得到验证。如果2026年至2028年间仅提供初期补贴，那么当设备更换和订阅费用出现时，安全差距将再次扩大。 小型工作场所的持续运行准备水平被认为低于安装准备水平。

人工智能视频识别、智能起重机、叉车接近检测以及坍塌/位移传感器等技术已被纳入商业支持项目。虽然各类技术已得到推广，但蔚山各行业及工艺的安装率和事故减少效果尚未公开。若仅以两三年为周期推广这些设备，则无法预测涉及多种风险因素的工艺事故。 智能安全设备已进入产品市场，但目前在蔚山整个工艺流程中仍处于部分普及阶段。

智慧绿色工业园区一体化控制中心为2025年实现三维空间信息、控制和服务互联互通奠定了基础。虽然工业园区层面的可视性有所提​​升，但与内部工作许可、设备传感器和工人风险信息的实时互联尚未得到证实。如果到2028年外部控制数据和内部过程数据能够分离，事故发生后的定位速度将更快，但事故发生前的干预措施将受到限制。 工业园区控制范围已扩大，但预测性安全数据的整合仍不完善。

大型企业拥有自己的安全机构、传感器、控制室以及投资建设相关设施的能力。即使分包商在总承包商的工地作业，按隶属关系、流程和设备划分的数据也可能彼此分离，且数据共享的频率并未公开。如果总承包商和分包商之间的安全数据两到三年内没有关联，则流程边界方面的责任和风险都将同时被忽略。 总承包商自身的安全行动准则（AX）已经实施，但总承包商与分包商之间的联合安全行动准则（AX）仍未得到确认。

员工人数少于50人的工作场所中，致命事故的比例已超过一半。尽管高风险群体与有能力进行技术投资的群体并不一致，但蔚山在支持、安装和维护方面按公司规模划分的表现尚未得到验证。如果这种差距持续到2028年，即使安全技术不断进步，该地区的整体事故风险仍将处于供应链的底端。 合作伙伴公司之间的技术普及程度预计远低于大型企业。

职业健康通过工作场所环境测量、专项健康检查和流行病学调查来管理危险因素和疾病。虽然机构数据已经积累，但尚未建立起蔚山市层面将个人暴露、工作场所流动性和长期健康结果联系起来的系统。如果两到三年内工作流动、退休和外籍员工增加，暴露史的不连续性将进一步加剧。 健康检查已普及，但终生累积暴露数据仍然零散。

一项针对造船业的研究通过将工作暴露矩阵与癌症登记、就业保险和健康检查数据相结合，分析了职业病风险。虽然研究方法已经存在，但其反馈给现场工人，例如以个人风险预警和工作调整的形式，其程度尚未得到验证。如果到2028年研究与工作场所脱节，疾病风险将仅仅停留在集体统计数据层面。 尽管职业健康分析能力已经具备，但实时预防的普及仍处于起步阶段。

从2026年到2028年，蔚山将同时面临造船订单增加、汽车电气化、石化产业结构调整、气候风险以及外籍劳动力扩张等多重挑战。尽管工作量、流程、设施和劳动力构成都将随之改变，但基于历史数据的模型更新周期尚未公布，而这些更新周期旨在反映新的情况。如果变化速度超过学习速度，安全人工智能的准确性将在最关键的过渡时期下降。 蔚山安全AX面临的时效性风险并非在于技术应用的延迟，而在于模型更新因产业结构变化而导致的延迟。

职业病从接触病原体到确诊往往存在数年的时间滞后。如果未来两到三年内工厂和就业结构发生变化，由于工作场所关闭和工作变动，现有工人的接触信息可能会变得零散。因此，即使疾病之后发生，也很难确定病因和责任。 当前正值石油化工和造船业重组之际，这是保存职业健康史的最后机会。

重大事故的运行机制依赖于一种数据积累机制，即只有在生命和健康损失发生后，数据才会被积累。即使事故后模型得到改进，已造成的损失也无法挽回，而且由于同一流程中人员的更替，现场记忆也会逐渐减弱。如果两到三年内没有积累险情和预警数据，人工智能将继续使用死亡和受伤数据作为训练素材。 工业安全的不可逆转性在于，一旦产生故障数据，就会造成无法挽回的损失。

如果健康数据按公司分散，员工更换工作或退休后，就很难追溯其过去的健康暴露情况。随着企业重组和合作公司关闭，工作环境和责任方的记录也可能随之消失。如果到2028年仍无法将长期健康史关联起来，确定职业病因果关系的可能性将永久降低。 劳动健康数据的不连续性是一个不可逆转的风险，它既损害了健康损害赔偿，也损害了员工获得赔偿的权利。

综合判断：为了建立蔚山劳动、安全和健康 AX，必须在 2028 年之前同时验证险情检测率、警报提前期、合作伙伴连接率、累积暴露跟踪率和事故减少率。

这是一个阶段，将工人的终生接触、总承包商/分包商流程和健康结果联系起来的预测系统被认为不完整。

虽然大型企业正在实施智能安全措施，但缺乏证据表明，这种措施已在风险集中的分包商、小型工作场所和外国工人中得到同等程度的推广。

Labor AX 系统必须是一个能够在事故发生前及疾病发生前更早地识别风险和暴露的系统，而不是一个能够更精确地监控工人的系统。目前，蔚山拥有检测技术，但尚未实现预测、扩散和权利保障的同步验证。

黄金时间判断：智能安全应用 + 预测性劳动健康整合风险

证据来源

• 雇佣劳动省，《2025年需进行事故调查的致命事故状况》
• 雇佣劳动省，《2025年工业事故状况》
• 韩国职业安全健康院，严重事故统计数据
• 韩国职业安全健康院，造船业严重事故案例
• 韩国职业安全健康机构分析造船业中的危险因素和职业病
• 韩国职业安全健康机构支持智能安全设备
• 韩国职业安全健康院，人工智能和智能工业安全技术现场案例
• 蔚山广域市基于人工智能和大数据的热浪应对
• 蔚山广域市智慧绿色产业园区综合控制中心

结构性洞察——工业安全人工智能从事故中学到的东西越多，就越为时已晚

随着生产量、缺陷和维护数据量的增加，通用制造业人工智能的性能也会提升。虽然工业安全人工智能模型会随着可供学习的事故数量增加而变得更加复杂，但这些数据的产生是以伤亡为代价的。这是一个数据积累与社会影响方向不一致的特殊领域。

事故越少，统计学习就越困难，但与安全性的相关性也越高。反之，事故多发场所虽然有利于模型训练，但也代表着预防措施已经失效。因此，如果工业安全人工智能是基于事故数据设计的，就会出现一个悖论：最安全的工厂缺乏足够的训练数据，而最危险的工厂只有在损失累积后才能展现出更强的预测能力。

改变这种结构的数据并非死亡或受伤人数，而是设备偏差、工作重叠、忽视警告、防护设备脱落、险些发生事故以及​​暴露于危险因素等情况。然而，这些数据分散在公司内部，并且与员工监控信息重叠。虽然在事故发生前越早收集这些数据，其预防价值就越高，但侵犯员工权利的风险也随之增加。

因此，蔚山劳动AX的结构性转折点并非人工智能本身的准确性。 工业安全AX能否建立，取决于能否同时确保在不造成人员伤亡的情况下获取用于学习风险的数据，以及确保这些数据仅用于保护工人权益。