FastDOL/OSHA-Severe-Injuries-by-Employer-2015-2025

该数据集包含美国雇主根据OSHA严重伤害报告（依据29 CFR 1904.39报告的住院、截肢和眼损失）的记录。每个行代表一个雇主，汇总了按类型划分的伤害计数、事件日期、总执法历史、母公司汇总和跨机构指标。数据来源是美国劳工部职业安全与健康管理局（OSHA），通过FastDOL提供。Every U.S. employer with at least one OSHA severe injury report on record — hospitalizations, amputations, and eye losses reported under 29 CFR 1904.39. Each row is one employer with aggregated injury counts by type, event dates, total enforcement history, parent-company rollup, and cross-agency indicators. Source: U.S. Department of Labor, Occupational Safety and Health Administration, via FastDOL.

搜集汇总

数据集介绍

构建方式

数据集源于美国职业安全与健康管理局（OSHA）依据29 CFR 1904.39条款所强制上报的严重工伤记录，涵盖住院、截肢及眼球丢失等事件。构建过程以雇主为基本单元，将每家雇主在2015至2025年间所有上报的严重伤害案例进行聚合，统计各类伤害的发生频次、事件日期，并整合历史执法记录、母公司归属信息以及跨机构关联指标，最终形成结构化的表格数据。

特点

数据集聚焦于工作场所严重伤害的联邦执法与合规领域，具有明确的职业安全监管指向。其独特之处在于以雇主为粒度为伤害事件提供聚合视角，同时纳入执法历史与母公司层级信息，便于分析企业安全绩效与监管响应的关联。数据源自官方上报记录，覆盖十年跨度，样本量介于一万至十万之间，为职业安全研究提供了兼具时间深度与组织维度的实证基础。

使用方法

该数据集适用于表格分类任务，可通过CSV格式直接下载或经HuggingFace平台加载。研究者可利用雇主层面的伤害计数、事件日期及执法历史等字段，构建预测模型以识别高风险雇主或评估监管干预效果。使用时需遵循CC BY 4.0许可协议，引用时应注明数据来源及版本DOI，并参考FastDOL提供的完整模式与方法论说明进行合规分析。

背景与挑战

背景概述

工作场所安全始终是公共健康与劳动保障领域的核心议题。美国职业安全与健康管理局（OSHA）依据29 CFR 1904.39条款，要求雇主上报导致住院、截肢或眼球丧失的严重工伤事件。2015至2025年间，OSHA积累了覆盖全美雇主的严重工伤报告记录。OSHA-Severe-Injuries-by-Employer-2015-2025数据集由FastDOL平台整理并镜像发布，以CC BY 4.0许可开放，每行记录对应一个雇主，汇总其工伤类型计数、事发日期、执法历史、母公司归属及跨机构标识。该数据集为职业安全研究、合规分析及政策评估提供了结构化、可复现的数据基础，对推动工作场所伤害预防与监管科学具有重要参考价值。

当前挑战

该数据集所应对的领域问题在于，如何从碎片化的联邦执法与雇主上报记录中，系统识别严重工伤的分布规律与风险聚集特征，进而支撑精准监管与预防干预。构建过程中面临多重挑战：其一，工伤报告依赖雇主自愿合规上报，存在低报或漏报导致的系统性偏差；其二，跨年度数据需要调和OSHA不同时期记录标准与行业分类体系的变更；其三，将分散的雇主条目准确归并至母公司层级，涉及实体消歧与集团结构动态变化的复杂匹配；其四，跨机构指标的对齐与去重亦对数据质量构成持续考验。

常用场景

经典使用场景

在职业安全与健康管理领域，该数据集构成了以雇主为分析单元的严重职业伤害事件图谱。其经典应用在于依托29 CFR 1904.39所规定的住院、截肢及眼睛丢失三类强制报告事件，对全美雇主进行伤害类型分布与时间演变的系统性刻画。研究者常以此为基础，开展跨行业、跨地域的雇主级风险画像构建，识别高发伤害模式与重复违规主体，进而为联邦执法资源的靶向配置提供实证依据。

解决学术问题

该数据集有效回应了职业安全研究中长期存在的雇主层面伤害数据碎片化与聚合口径不一的问题。通过将多次严重伤害事件归并至单一雇主实体，并纳入母公司汇总与跨机构指标，它使学者得以在控制企业规模与行业异质性的前提下，检验执法检查频次、处罚力度与伤害发生率之间的因果关联。其意义在于为职业伤害的重复发生机制、组织安全文化差异等议题提供了可复现的大样本微观证据，推动了以雇主为单位的伤害预防政策评估研究。

衍生相关工作

围绕该数据集，已衍生出一系列与职业安全执法、伤害预测及企业合规行为相关的研究与分析工作。部分学者利用其构建雇主级严重伤害预测模型，探索将伤害类型、执法历史与母公司特征纳入机器学习分类框架的可行性。亦有研究将其与OSHA检查数据、行业分类代码及企业规模信息进行链接，考察执法威慑效应的异质性。在公共数据产品方面，该数据集被整合入职业安全仪表板与雇主合规评分工具，支持媒体调查报道与工会组织在集体谈判中的证据引用。