SmartQHSE/osha-state-plans-2026
收藏官方服务:
资源简介:
包含所有28个OSHA批准的国家计划,涵盖机构名称、范围(私营与州/地方政府)以及显著独特或更严格的规定。
This dataset includes all 28 OSHA-approved national plans, covering agency names, scope (private sector and state/local government), as well as significantly unique or more stringent regulations.
提供机构:
SmartQHSE搜集汇总
数据集介绍

构建方式
该数据集由SmartQHSE Ltd精心编纂,旨在系统收录美国劳工部职业安全与健康管理局(OSHA)批准的28个州级计划(State Plans)核心信息。其构建基于对现行官方法规的逐项梳理,通过整合各州计划的主管机构名称、管辖范围(区分私营企业与州/地方政府雇员)以及独特或更严格的条款,形成一份标准化的CSV格式参考文件。数据经过专业机构核实,并以UTF-8编码存储,赋予了该数据集在学术研究、职业培训与合规参考中的高可靠性。
特点
该数据集最显著的特征在于其聚焦于OSHA批准州级计划的差异化细节,精准捕捉了各州在职业安全健康监管中的自主权与特殊性。它不仅涵盖了联邦框架下的统一要求,更突出了如加州、华盛顿州等地区在有害物质暴露限值、工伤报告时限等方面的严苛规定。作为一份来源清晰的参考文献,其附有DOI和CC BY 4.0开放许可,极大便利了跨州政策比较与安全标准演进分析。
使用方法
用户可直接通过Hugging Face平台或Zenodo仓库获取该CSV文件,利用Python的pandas库或电子表格软件轻松加载。数据集虽仅含不足千条记录,却结构清晰,非常适合作为州级职业安全法规对比研究的起点。研究人员可基于列字段进行过滤与聚合,或将其与OSHA联邦标准私有数据集链接,从而构建更全面的安全监管知识图谱。使用时需注意其声明,建议结合权威官方文件验证关键条款。
背景与挑战
背景概述
职业安全与健康管理(OSHA)作为美国联邦层面的核心监管机构,其标准在各州的执行并非完全统一,部分州拥有经OSHA批准的自主运营计划。然而,这些州计划的适用范围、监管主体以及特殊条款在公开资料中往往分散且缺乏系统性整合,给研究者与从业者带来显著的信息检索障碍。为填补这一空白,SmartQHSE Ltd于2026年发布了OSHA-Approved State Plans Reference 2026数据集,该系统性地收录了全部28个获得OSHA批准的州计划,涵盖各计划对应的机构名称、监管范围(私营部门或州/地方政府),以及在标准上更为严格的独特条款。作为首个面向公开研究且采用开放许可(CC BY 4.0)的结构化参考数据集,它不仅为职业安全领域的学术探究与培训提供了权威依据,也显著提升了相关政策比较与合规分析的数据可获得性。
当前挑战
该数据集所解决的领域核心挑战在于OSHA州计划信息的碎片化与不一致性。长期以来,研究者与合规人员需要跨越多份官方文件与不同州级网站进行比对,才能厘清各州在职业安全标准上的差异,这种分散状态难以支撑高效且准确的跨州比较研究。在构建过程中,数据集的创建面临两项突出挑战:一是从各州计划管理机构独立发布的法律文本与操作手册中,提炼出统一且可比的核心字段(如监管范围与严格条款),要求对OSHA法规体系及州级变异有深刻理解;二是确保信息的时效性与权威性,由于各州计划可能随立法或行政调整而变更,数据集须在2026年的时间节点上完成全面核查与交叉验证,以避免过时或错误的数据误导用户。
常用场景
经典使用场景
在职业安全与健康研究领域,该数据集为学者提供了美国各州经OSHA批准的州级安全计划全景式参考信息。常用于比较分析各州计划在覆盖范围(私营部门与州/地方政府雇员)及独特或更严格条款上的差异。研究者可借此系统梳理联邦与州级职业安全法规的协作机制,为探讨联邦制下公共健康治理的多样性与有效性提供实证基础。
解决学术问题
该数据集解决了职业安全与健康研究中缺乏统一、跨州对比的州计划结构化信息这一关键障碍。传统研究多聚焦联邦OSHA标准,难以捕捉各州计划在执行力度、覆盖对象及特殊规定上的异质性。数据集使得学者能够量化分析不同州级法规对工伤率、职业病预防效果的影响,从而深化对美国职业安全分权治理模式实际效能的理解。
衍生相关工作
该数据集的推出催生了多项后续研究工作,包括构建州级OSHA计划合规成本预测模型、开发基于机器学习的州计划异常条款自动检测算法,以及建立与工伤统计数据联动的多模态数据库。此外,它被整合进智能QHSE管理系统的决策支持模块,推动了职业安全知识图谱在跨司法管辖区风险预警中的应用探索。
以上内容由遇见数据集搜集并总结生成



