1. Nástroje řízení (kvality)



Podobné dokumenty
Jednoduché nástroje řízení jakosti

Sedm základních nástrojů řízení jakosti

RiJ ŘÍZENÍ JAKOSTI L 4 4-1

METODY ŘÍZENÍ KVALITY I.ČÁST Ing. Radek Syrovátka. Národní vzdělávací fond

Inovace bakalářského studijního oboru Aplikovaná chemie

Procesy a management rizik ve zdravotnické laboratoři. Ing. Alena Fischerová Systémy jakosti s.r.o

Zápočtová práce STATISTIKA I

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Systémy řízení EMS/QMS/SMS

MANAŽER KVALITY PŘEHLED POŽADOVANÝCH ZNALOSTÍ K HODNOCENÍ ZPŮSOBILOSTI CO 4.4/2007

AUDITOR KVALITY PŘEHLED POŽADOVANÝCH ZNALOSTÍ K HODNOCENÍ ZPŮSOBILOSTI CO 4.5/2007

Pelantová Věra Technická univerzita v Liberci. Předmět RJS. TU v Liberci

Mnohorozměrná statistická data

Statistické řízení jakosti. Deming: Klíč k jakosti je v pochopení variability procesu.

FMEA - konstrukční. Zpracoval: doc. Dr. Ing. Ivan Mašín

Systémy řízení QMS, EMS, SMS, SLP

Statistické řízení jakosti - regulace procesu měřením a srovnáváním

Národní informační středisko pro podporu kvality

Pojem a úkoly statistiky

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Co musí zahrnovat dokumentace systému managementu kvality? 1 / 5

Systémy řízení EMS/QMS/SMS

Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady

Mnohorozměrná statistická data

Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49. Výukový materiál zpracovaný v rámci projektu Výuka moderně

Provádění preventivních opatření

Matematika III. 27. listopadu Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

Statistika pro geografy

Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Základní statistické charakteristiky

Odborná skupina pro spolehlivost. Použití ordinálních a semikvantitativních postupů ve spolehlivosti. Jaroslav Zajíček

Renáta Bednárová STATISTIKA PRO EKONOMY

METODY ŘÍZENÍ KVALITY II.ČÁST

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Vybrané praktické aplikace statistické regulace procesu

Procesy a management rizik ve zdravotnické laboratoři. Roubalová Lucie

ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM

SMĚRNICE DĚKANA Č. 4/2013

Katedra řízení podniku (FES)

POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica

23. Matematická statistika

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

PŘEHLED PŘÍSTUPŮ K MANAGEMENTU RIZIK PROJEKTŮ

Výukový materiál zpracovaný v rámci projektu Výuka moderně

STATISTICKÉ CHARAKTERISTIKY

Základy popisné statistiky. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek

Nový standard pro analýzu rizik v dodavatelském řetězci automobilového průmyslu Failure Mode and Effects Analysis

Charakteristika datového souboru

VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky SMAD

Náhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1

1) Jsou normy v ČR závazné a jaká je jejich úloha? normy nejsou v ČR závazné od roku 2000 od roku 2000 mají pouze doporučující charakter

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

Návrh. VYHLÁŠKA ze dne 2016 o požadavcích na systém řízení

Popisná statistika. Statistika pro sociology

Návrh a vyhodnocení experimentu

MONITOROVÁNÍ. Jan Prášek

Průzkumová analýza dat

Úvod do kurzu. Moodle kurz. (a) (b) heslo pro hosty: statistika (c) skripta na pravděpodobnost

STATISTICKÉ ODHADY Odhady populačních charakteristik

Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží


Pareto analýza. Průmyslové inženýrství. EduCom. Jan Vavruška Technická univerzita v Liberci

Metodika certifikace zařízení OIS

EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek

Management kvality, environmentu a bezpečnosti práce

Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:

STATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA Sylabus pro předmět STATISTIKA Pomůcky... 7

WS PŘÍKLADY DOBRÉ PRAXE

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

Teorie měření a regulace

AUDITOR EMS PŘEHLED POŽADOVANÝCH ZNALOSTÍ K HODNOCENÍ ZPŮSOBILOSTI CO 4.9/2007

MANAŽER EMS PŘEHLED POŽADOVANÝCH ZNALOSTÍ K HODNOCENÍ ZPŮSOBILOSTI CO 4.8/2007

Gradua-CEGOS, s.r.o. člen skupiny Cegos MANAŽER EMS PŘEHLED POŽADOVANÝCH ZNALOSTÍ K HODNOCENÍ ZPŮSOBILOSTI

Inovace bakalářského studijního oboru Aplikovaná chemie

Tématické okruhy pro státní závěrečné zkoušky. magisterské studium

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE

Kontrolní list Systém řízení výroby

Tématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management jakosti"

T- MaR. Ústav technologie, mechanizace a řízení staveb. Teorie měření a regulace. Podmínky názvy. 1.c-pod. ZS 2015/ Ing. Václav Rada, CSc.

Dokumentace pro plánování a realizaci managementu jakosti dle požadavků

Analýza dat na PC I.

METODY, TECHNIKY A NÁSTROJE MANAGEMENTU KVALITY

Popisná statistika kvantitativní veličiny

VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky

Statistika. Diskrétní data. Spojitá data. Charakteristiky polohy. Charakteristiky variability

Manuál k programu EMSoftware

Návrh a vyhodnocení experimentu

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ

Posouzení přesnosti měření

Řízení rizik ÚLD FNKV. Škrla, Škrlová, Řízení rizik ve zdravotnických zařízeních, 2008

přesné jako tabulky, ale rychle a lépe mohou poskytnou názornou představu o důležitých tendencích a souvislostech.

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie ANOVA. Semestrální práce

FMEA Failure Mode and Effects Analysis (Analýzy možností vzniku vad a jejich příčin a následků)

Transkript:

1. Nástroje řízení (kvality) 2. Kvantifikace rizik Petr Misák Ústav stavebního zkušebnictví VUT FAST v Brně misak.p@fce.vutbr.cz www.fce.vutbr.cz/szk

Jednoduché nástroje řízení kvality - MOTIVACE Chceme-li řídit jakost, musíme o ní shromáždit všechny potřebné informace, vhodnou formou je zpracovat, analyzovat a využít je při řešení problémů a realizaci zlepšovacích aktivit. Nejsou obtížné na pochopení pro jakéhokoliv pracovníka organizace. K tomu přispívá i grafická podoba příslušející každému nástroji.

Základní přínosy pomáhají určit, v jakém stavu je objekt (výrobek, proces, zdroj,...) pomáhají odhalit priority, které mají být řešeny pomáhají nalézt příčiny sledovaného stavu objektu umožní sledovat vývoj stavu objektu, a tím odhalit možnosti dalšího zlepšování

Jsou to: Formuláře pro sběr dat Vývojový (postupový) diagram Diagram příčin a následků Paretův diagram Bodový diagram Histogram Regulační diagram

Formuláře pro sběr dat umožňují zaznamenat získané informace o jakosti znázornění vztahy mezi nimi umožňují utřídit informace tak, aby poskytly jasný obraz o situaci, respektive aby umožnily aplikaci metod a technik jejich další analýzy. Jedná se o různé protokoly (o kontrole, o validaci, o prověrkách, o kvalifikaci,...), tabulky naměřených hodnot ze zkoušek, ze sledování procesů apod.

Formuláře pro sběr dat Příčiny vad Typy vady Kdo provedl sběr údajů: Kde: Datum: Jak:

Konstrukce formuláře pro sběr dat neexistuje standardizovaný formát, každý formulář je konstruován k určitému účelu a jeho plnění musí být podřízen, hned na počátku musí být rozhodnuto, které informace jsou potřebné pro porozumění problému a k iniciaci správných opatření, problém při sestavování formuláře netkví v tom, jak sbírat data, ale v tom, jak dospět k užitečným informacím.

Konstrukce formuláře pro sběr dat Záznam o neshodách číslo: Neshodu zjistil: Datum: Místo: Předáno k řešení: Neshoda Četnost Celkem A IIIIIIIIIII 11 B IIIIIIIIIIIIIIIIIIIII 21 C IIIII 5 D IIIIIIIIIIIIIIIIIIIIIIIIII 26 E IIIIIIIIIIIIIIIIII 18 Celkem 81

Konstrukce formuláře pro sběr dat Dieta Snídaně Kcal Náklady Pondělí Gulášová polévka, 3 rohlíky, 10 500 43,- malá plzeň 12 o Úterý Lák z okurků 800 0,-

Vývojový diagram Vývojový diagram pomáhá porozumět procesu tím, že jej stratifikuje do jednotlivých dílčích činností (kroků) a okamžiků rozhodování o jeho dalším průběhu rozkreslením do schématu. Je vhodný především pro složité a nepřehledné procesy, jejichž detailní rozčlenění umožní: pochopit, jak proces pracuje, odhalit místa vzniku problémů, ověřit nezbytnost provádění dílčích kroků, a tím odhalit nepotřebné aktivity, odkrýt a přezkoumat vztahy mezi jednotlivými kroky, najít možnosti dalšího zlepšování.

Konstrukce vývojového diagramu Definování procesu a stanovení jeho hranic (začátek, konec, vazby na okolní procesy) Definování jednotlivých kroků procesu včetně okamžiků rozhodování Znázornění průběhu procesu využitím normalizované symboliky (norma ISO 9004-4, eventuálně ISO 5807) v přehledné formě Validace prvotní konstrukce se skutečností Vypracování konečné podoby

Prvky vývojového diagramu Údaje Postup Dokumenty NE Rozhodnutí Dokument Alternativní postup Konec Spojka ANO

Příklad vývojového diagramu Sedím na přednášce Poznámky z přednášek 1 Zapamatuji si něco? NE NE Daří se mi ve cvičení? ANO ANO Můžu pracovat ve cvičení Jdu koupit skripta Zápočet Případové studie 1 Konec Konec

Diagram příčin a následků (Ishikawův diagram) slouží pro zobrazení a utřídění všech možných příčin a subpříčin, které ovlivňují daný následek. předkládá celistvý pohled na sledovanou situaci. Analýzu jednotlivých příčin lze provádět do libovolné hloubky, aniž by se ztrácely souvislosti. Následkem nemusí být pouze identifikovaný či potenciální problém, může jím být jakákoliv entita (např. jakost výrobku, procesu, zdroje apod.), respektive stanovený cíl.

Diagram příčin a následků (Ishikawův diagram) Hlavní přínosy: poskytuje celkový a strukturovaný pohled na zkoumaný stav, zachycuje všechny možné příčiny i subpříčiny ve vzájemných souvislostech, je účinným pomocníkem pro následnou analýzu příčin i vedení diskuse o možných nápravných, preventivních i zlepšovacích opatřeních. Samotný diagram neodhalí význam zaznamenaných příčin ve vztahu k následku. K tomu je nutno použít další nástroje a metody (Paretův diagram, FMEA).

Konstrukce diagramu příčin a následků Pro odpovědnou konstrukci diagramu příčin a následku je nutno využít týmové spolupráce: shromáždění všech možných příčin (stávajících i potenciálních) bez jakéhokoliv seskupení či vymezení vzájemných souvislostí využitím brainstormingu Identifikace hlavních kategorií (nosných šipek budoucího diagramu), přiřazení příčin jednotlivým kategoriím a jejich dekompozice v jednotlivých úrovních (příčina - subpříčina - atd.) týmové posouzení adekvátnosti přiřazení příčin a jejich vzájemných souvislostí doplnění dalších příčin, které nebyly v prvním kroku identifikovány a jejich další rozpracování do dílčích šipek (dobře sestrojený diagram by neměl mít nosné šipky s méně než dvěma úrovněmi!)

Konstrukce diagramu příčin a následků Kategorie Kategorie Příčina Příčina Následek Kategorie

Paretův diagram slouží k určení nejdůležitějších problémů, faktorů, oblastí,..., na které je potřeba se prioritně zaměřit. Je založen na tzv. Paretově principu, podle něhož cca 80% následku způsobuje cca 20% nejdůležitějších příčin (tzv. rozhodující menšina). Právě soustředěním pozornosti na tyto příčiny a jejich řešením lze dosáhnout nejlepšího zlepšení. Původní Paretova analýza (Vilfredo Pareto) byla později doplněna o grafické znázornění podílů jednotlivých příčin na celkovém důsledku M. O. Lorenzem (Lorenzova křivka).

Paretův diagram Takto pojatý Paretův diagram poskytuje absolutní přehlednost a jednoznačnou vypovídací schopnost. Možnosti aplikace jsou široké a diagram je možno považovat za obecnou metodu zjišťování priorit. Jeho využití v managementu kvality prokázal a prosadil J. M. Juran. Přínosy: uspořádá příčiny ve sledu jejich významu, oddělí významné (rozhodující menšinu) od méně významných (zanedbatelná většina) a tím určí, na které příčiny je nutno obrátit pozornost při hledání řešení.

Konstrukce Paretova diagramu Definování následku a shromáždění informací o všech možných příčinách (například pomocí Ishikawova diagramu). Číselná kvantifikace jednotlivých příčin - tzv. četností. Je možno využít několik způsobů: počet výskytů, finanční hodnoty (náklady, ztráty), bodovací techniky (u kvalitativních položek). Budeme-li chtít navíc zdůraznit různý význam příčin ve vztahu k následku (například zohledněním důležitosti pro zákazníka), a tím změnit skutečné pořadí četností, můžeme původní hodnoty přepočítat pomocí dodatečně stanovených koeficientů významnosti (vah). Sestrojení diagramu, který tvoří sloupce absolutních četností hodnot jednotlivých položek a Lorenzova křivka.

Paretův diagram - příklad Náklady na nejčastější neshody (reklamace) v tis. Kč/rok: (Viz příklad formuláře pro sběr dat) Položka: TSKP: Kč: Zařizovací předměty ZTI (A) 725 11 Podlahy povlakové (B) 776 21 Konstrukce klempířské (C) 764 5 Obklady (D) 781 26 Okna a balkónové dveře (E) 641 18

Paretův diagram - příklad Seřadíme skupiny podle významnosti a určíme četnosti: Náklady na nejčastější neshody (reklamace) v tis. Kč/rok: Položka: TSKP: Kč: Kumulovaná Kumulovaná Relativní absolutní relativní četnost četnost četnost Obklady (D) 781 26 26 32,10 32,10 Podlahy povlakové (B) 776 21 47 25,93 58,02 Okna a balkónové dveře (E) 641 18 65 22,22 80,25 Zařizovací předměty ZTI (A) 725 11 76 13,58 93,83 Konstrukce klempířské (C) 764 5 81 6,17 100,00 CELKEM: 81

Paretův diagram příklad Sestavíme Paretův diagram a Lorencovu křivku

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Sestavení PD v MS Excel Nástroje řízení (kvality)

Bodový diagram (korelační diagram) slouží ke zjištění či ověření vzájemné závislosti dvou jevů - např. teploty a vlhkostí při skladování, mezi znaky jakosti výrobku, mezi dvěma parametry procesu apod. Nahrazuje složité výpočty korelačních koeficientů v případech, kdy chceme získat o případné závislosti pouze orientační informaci. Přínosy: odhalí případnou existenci závislostí mezi zkoumanými jevy znázorní charakter a těsnost případné závislosti potvrdí nezávislost přispívá ke snížení rizik při eventuálních změnách hodnot jedné proměnné (je-li odhalena závislost, je nutno počítat i se změnou hodnoty druhé)

Konstrukce bodového diagramu Předpokladem konstrukce bodového diagramu je vyjádření obou zkoumaných jevů v číselné podobě a nashromáždění jejich souběžných hodnot. Při změně hodnoty jedné proměnné x se zjistí hodnota druhé proměnné y a zaznamená se jako bod do souřadné roviny. Z rozmístění bodů se pak uvažuje o případné závislosti (kladné, záporné, křivkové) a jejím charakteru (silná, slabá).

Příklady y y Silná záporná závislost x Slabá záporná závislost x

Příklady y y Nezávislost x Silná kladná závislost x

Histogram grafické ztvárnění hodnot v tabulce četnosti nástroj, který jednoduchou formou vypovídá o chování procesu zpřístupňuje a zprůhledňuje nepřehledné tabulky rozsáhlých číselných údajů o jednom jevu, který vykazuje variabilitu v důsledku působení různých vlivů množinu proměnlivých hodnot sledovaného jevu sumarizuje v určitém časovém okamžiku do sloupcového diagramu

Histogram 35 30 25 počet výskytů 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 sledovaná veličina intervalové dělení

Histogram Při konstrukci histogramu postupujeme v následujících krocích: vybereme nejmenší a největší výběrovou hodnotu x (1) a x (n) vypočteme výběrové rozpětí jako rozdíl největší a nejmenší výběrové hodnoty: R = x (1) - x (n) interval, který je o málo větší než výběrové rozpětí R rozdělíme na m stejných intervalů (tříd), přičemž se doporučuje 7 m 20; menší počet intervalů by měl odpovídat menšímu souboru dat jednoznačně stanovíme způsob zařazování zjištěných hodnot do tříd sestrojíme sloupcový diagram nad jednotlivými třídami tak, aby výška sloupce v i - té třídě (i = 1,,m), byla absolutní četností výskytu hodnot v této třídě. Tedy na vodorovnou osu naneseme hodnoty středů všech tříd a na svislou osu četnosti. Závěrem se histogram vyhodnotí a učiní se příslušná rozhodnutí.

Tvar histogramu normální asymetrický bimodální dvojitý

Regulační diagram zpracovává obdobný soubor údajů jako histogram na rozdíl od histogramu zobrazuje vývoj sledovaného jevu základní informací je posloupnost výběrů v čase Každý výběr je reprezentován: střední hodnotou - pokud se jedná o kvalitativní veličinu, například počet neshod střední hodnotou a rozptýlením - jedná-li se o kvantitativní veličinu Vývoj těchto charakteristik je zobrazen vůči limitům (tzv. regulačním mezím), jejichž vzdálenost vychází obvykle z přirozeného kolísání kontrolované veličiny samotné. Překročení mezí je signálem, že něco není v pořádku - proces není statisticky zvládnutý a že je nutný zásah (řešení).

Regulační diagram 21,2 21 UCL průmě ůměr 20,8 20,6 20,4 20,2 20 19,8 19,6 CL LCL 19,4 1 2 3 4 5 6 7 8 9 10 11 12 číslo skupiny

Regulační diagram - kvantitativní veličina U kvantitativní veličiny (rozměr, hmotnost, atd.) vycházíme z předpokladu jejího normálního rozdělení. Toto rozdělení reprezentují: charakteristiky polohy - aritmetický průměr, medián charakteristiky variability - variační rozpětí, směrodatná odchylka Pracujeme proto vždy s dvojicí diagramů, např.: aritmetický průměr a rozpětí aritmetický průměr a směrodatná odchylka medián a rozpětí

2. Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Petr Misák Ústav stavebního zkušebnictví VUT FAST v Brně misak.p@fce.vutbr.cz www.fce.vutbr.cz/szk

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik FMEA - Failure Mode and Effects Analysis Jedná se o analýzu možných vad a jejich následků. Obecně platí, že čím v ranějších fázích životního cyklu se podaří odhalit riziko možného výskytu neshodného produktu, tím nižší jsou finanční ztráty. Použití: Při vývoji nových materiálů a produktů (FMEA-K: konstrukční FMEA) Při hodnocení technologických postupů (FMEA-T: technologická FMEA)

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik FMEA - Failure Mode and Effects Analysis Postup: Před započetím provádění metodiky FMEA by měly být s ohledem na efektivnost stanovit předmět analýzy. Dále by měla být shromážděna data o popisu procesu (technologický postup), vývojovém diagramu procesu s vyznačenými kontrolními operacemi/regulací procesu (SPC), informace o všech minulých (popř. i potenciálních) problémech s výrobkem/dílem/procesem a jejich řešení a tyto informace rozčlenit do tří kategorií z hlediska: významu vady (důsledky pro zákazníka), příčiny vady, kontrolní či regulační opatření (SPC)

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik FMEA - Failure Mode and Effects Analysis Do technických požadavků by měly být zahrnuty zejména požadavky: zákazníka, právních, normativních a jiných požadavků, po případě dalších zainteresovaných stran.

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Enviromentální a ekologické požadavky V oblasti enviromentu jde především o zamezení realizace negativních enviromentálních aspektů. Jedná se zejména o oblasti, které souvisí s: ochranou ovzduší, nakládání s nebezpečnými chemickými látkami a odpady vodním hospodářstvím a ochranou vod, zdravými životními podmínkami (např. ochrana proti hluku a prachu), spotřebou přírodních zdrojů (využití odpadních látek úspora přírodních zdrojů, využití recyklátů), úsporou energií (teplo, elektrická energie).

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Bezpečnostní požadavky Stejně závažné jsou požadavky, které vyplývají z legislativy a požadavků bezpečnosti a ochrany zdraví při práci. Zde se jedná zejména o: identifikace nebezpečí, rizik a tzv. skoronehod, požární bezpečnost, hygienu, ochranu zdraví, uživatelskou bezpečnost.

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Kvalitativní a technické požadavky Vycházejí z podstaty postupu nebo procesu, který je analyzován. Zejména se jedná o rizika nesplnění: normativních předpisů, požadavků zákazníka a ostatních zainteresovaných stran

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Kvalitativní a technické požadavky Vycházejí z podstaty postupu nebo procesu, který je analyzován. Zejména se jedná o rizika nesplnění: normativních předpisů, požadavků zákazníka a ostatních zainteresovaných stran

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Stanovení závažnosti rizika Ohodnocení expertem Výpočet Pravděpodobnost výskytu daného rizika Zkoumané riziko Zájem zainteresovaných skupin o riziko Celková závažnost rizika Možnost předcházení realizace rizika Postup výpočtů

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Pravděpodobnost výskytu daného rizika Parametr Popis parametru Hodnocení Trvalá Častý Malá Výjimečná Riziko je z hlediska organizace nevýznamné, legislativní požadavky splněny Riziko je z hlediska organizace významný, legislativní požadavky splněny, potřeba řešení není naléhavá Riziko je významné, legislativní požadavky dosud plněny, potřeba řešení je naléhavá (hodnocení je dále použito pokud jeden z hodnotících parametrů má hodnotu 5) Riziko je velmi významné, potřeba řešení je prioritní, v případě neplnění legislativních požadavků je potřeba řešení akutní (hodnocení je dále použito pokud dva z hodnotících parametrů mají hodnotu 5) 5 4 3 2 Nepravděpodobná Realizace rizika je možný pouze teoreticky 1

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Zájem zainteresovaných skupin o riziko Parametr Popis parametru Hodnocení Malý Střední Velký Zainteresované strany a skupiny neprojevují o dané riziko zájem Zainteresované strany a skupiny projevují o dané riziko zájem (například při diskusích na školení zaměstnanců) Zainteresované strany projevují o riziko vážný zájem (komunikace se zainteresovanými stranami, petice, zájem sdělovacích prostředků) 1 2 3

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Možnost předcházení realizace rizika Parametr Popis parametru Hodnocení Nemožné Výskyt aspektu je zcela nepředvídatelný, opatření k zamezení jsou pouze na úrovni havarijní připravenosti a reakce 5 Omezené Možné Výskyt aspektu je těžko předvídatelný, opatření k zamezení jsou známa ale těžko použitelná Výskyt aspektu je těžko předvídatelný, opatření k zamezení jsou známa a jsou používána (záchytné vany) 4 3 Náhodný Snadné Výskyt aspektu je častý, zpravidla zaviněný technologickou nekázní nebo mu nelze zcela zabránit, opatření k omezení jsou známa a standardně používána Výskyt je snadno předvídatelný, opatření k předcházení jsou známá a použitelná 2 1

Celková klasifikace závažnosti je vypočítávána jako součin všech kritérií. Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Parametr Popis parametru Hodnocení Minimální Riziko je tak nepravděpodobné, že není společností bráno v úvahu do 10 Malá Činnost, ve které riziko vzniká, splňuje legislativní, normativní a další podmínky, potřeba řešení problémů není naléhavá, výskyt rizika je snadno předvídatelný, 11-30 opatření k předcházení jsou známa a snadno použitelná Střední Rizika spojená s činností nejsou významná, potřeba řešení problémů není naléhavá, výskyt je častý, snadno předvídatelný, opatření k předcházení jsou známa a 31-50 standardně používána Významná Rizika spojená s činností mohou způsobit neplnění legislativních podmínek, potřeba řešení je naléhavá, výskyt je předvídatelný, opatření k předcházení jsou známa a standardně používána, výskyt rizika nepůsobí přímé finanční ztráty, poškození 51-70 zdraví, majetku nebo životním prostředí, zjednání nápravy je v silách společnosti. Potřeba řízení rizik v činnosti je prioritní, zainteresované strany a skupiny projevují o dané riziko zájem, je nutné školení a kontrola pracovníků. Rizika spojená s činností Velmi mohou způsobit neplnění legislativních podmínek, výskyt je předvídatelný, opatření významná k předcházení jsou známa a používána, výskyt rizika zpravidla způsobí přímé 71-100 finanční ztráty, poškození zdraví, majetku nebo životním prostředí, zjednání nápravy je v silách společnosti. Riziko spojené s činností je z hlediska organizace extrémně významné, potřeba řešení je prioritní, zainteresované strany a skupiny projevují o dané riziko vážný Kritická zájem, je nutné školení a kontrola pracovníků, výskyt je předvídatelný, opatření k předcházení jsou známa a používána, výskyt rizika zpravidla působí přímé finanční více ztráty, poškození zdraví, majetku nebo životního prostředí, zjednání nápravy zpravidla není zcela v silách společnosti.

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Celková klasifikace závažnosti

Kvantifikace kvalitativních environmentálních a bezpečnostních rizik Shrnutí

Děkuji za pozornost Petr Misák misak.p@fce.vutbr.cz www.fce.vutbr.cz/szk Ústav stavebního zkušebnictví FAST VUT v Brně