İş Sağlığı ve Güvenliği Sektöründe Bayes Ağları Uygulaması

Öz

Günümüzde inşaat sektöründeki gelişmeyle beraber iş kazalarının da sayısı artmıştır. Teknolojinin gelişimi, iş güvenliğindeki önlemlerde eksiklikler ve çalışanların eğitimsiz oluşu bu iş kazalarındaki ana nedenlerdir. Bu çalışmada iş kazası verileri önce veri önişleme adımından geçirilip daha sonra elde edilen veriler üzerinde tek değişkenli sıklık ve çapraz tablolama analizi yapılmıştır. Yapılan analizler sonucunda iş kazalarının meydana gelmesinde yüksek risk taşıyan değişkenler tespit edilmiştir. Ardından bu değişkenlerin iş kazasına etkileri Bayes ağları (BNs) ile analiz edilmiştir. Bayes ağı, değişkenler arasındaki koşullu bağımlılık ilişkilerini ve tek bir bağımsız değişkene bağımlı olmadıklarını yansıtmaktadır. Bayes ağı, uluslararası bir inşaat firmasından bir veri kümesi üzerinde uygulanmıştır. Kurulan Bayes ağının doğruluk oranı ve diğer performans ölçütleri analiz edilmiş ve yapılan modelin etkinliği yorumlanmıştır. Deneysel sonuçlara göre, bazı iş kazası vakalarının makine öğrenme tekniklerini kullanarak yüksek doğruluk oranları ile önceden tahmin edilebileceği gösterilmiştir.

Anahtar Kelimeler

• Bayes ağı,sınıflandırma,makine öğrenmesi,iş kazası,tek değişkenli sıklık frekans analizi,çapraz tablolama

Kaynakça

1. [1] Baradan, S., et al., Ege Bölgesindeki İnşaat İş Kazalarının Sıklık ve Çapraz Tablolama Analizleri. İMO Teknik Dergi, 2016. 7345(7370): p. 448.
2. [2] Akboğa, Ö. and S. Baradan, İnşaat sektöründeki ölümlü iş kazalarının karakteristiklerinin incelenmesi: İzmir alan çalışması, 5. İşçi Sağlığı ve İş Güvenliği Sempozyumu, İzmir, 2015: p. 215-224.
3. [3] Erginel, N. and Ş. Toptancı, İş Kazası Verilerinin Olasılık Dağılımları ile Modellenmesi. Mühendislik Bilimleri ve Tasarım Dergisi, 2017. 5(SI): p. 201-212.
4. [4] Gümüş, R., Türkiye’de 2015 Yılında Meydana Gelen İş Kazalarının Analizi Ve 2014 Yılı Verileri İle Karşılaştırılması. The Journal of Academic Social Science Studies International Journal of Social Science, 2017. 55: p. 277-287.
5. [5] Eratak, Ö.D., Yeraltı Kömür Madenciliğinde Güvenlik İçin Risk Yönetimde Analiz Ve Modelleme. Doktora Tezi, ODTÜ.
6. [6] Geçer, H.S., Trafik Kaza Analizleri İçin Web Tabanlı Bir Karar Destek Sistemi Geliştirilmesi. Yüksek Lisans Tezi, Sakarya Üniversitesi, 2013.
7. [7] García-Herrero, S., et al., Working conditions, psychological/physical symptoms and occupational accidents. Bayesian network models. Safety Science, 2012. 50(9): p. 1760-1774.
8. [8] García-Herrero, S., et al., Using Bayesian networks to analyze occupational stress caused by work demands: Preventing stress through social support. Accident Analysis & Prevention, 2013. 57: p. 114-123.

9. [9] Martín, J.E., et al., A Bayesian network analysis of workplace accidents caused by falls from a height. Safety Science, 2009. 47(2): p. 206-214.
10. [10] Leu, S.-S. and C.-M. Chang, Bayesian-network-based safety risk assessment for steel construction projects. Accident Analysis & Prevention, 2013. 54: p. 122-133.
11. [11] Pekel, E., et al. A Bayesian Network Application in Occupational Health and Safety. in 2018 3rd International Conference on Computer Science and Engineering (UBMK). 2018: pp. 239-243.
12. [12] Akşehir, Z.D., et al. On the Analysis of Work Accidents Data by Using Data Preprocessing and Statistical Techniques. in 2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT). 2018: pp. 1-6.
13. [13] Babbie, E.R., The basics of social research. 2013: Cengage Learning.
14. [14] Akboğa, Ö., İnşaat İş Kazalarında Lojistik Regresyon İle Kaza Şiddetinin Modellenmesi. Ege Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 2014.
15. [15] Sims, R.L., Bivariate data analysis: A practical guide. 2000: Nova Publishers.
16. [16] Healey, J.F., Statistics: A tool for social research. 2014: Cengage Learning.
17. [17] Friedman, N., I. Nachman, and D. Peér. Learning Bayesian network structure from massive datasets: the «sparse candidate «algorithm. in Proceedings of the Fifteenth conference on Uncertainty in artificial intelligence. 1999: pp. 206-215.
18. [18] Jensen, F.V., An introduction to Bayesian networks. Vol. 210. 1996: UCL press London.
19. [19] Hall, M., et al., The WEKA data mining software: an update. ACM SIGKDD explorations newsletter, 2009. 11(1): p. 10-18.