Predicción de accidentes laborales en Turquía usando modelos multivariantes ARMAX y NLARX

Por qué importa predecir los accidentes en el trabajo

Cada año en Turquía, cientos de miles de trabajadores resultan heridos y miles pierden la vida en accidentes laborales. Para gobiernos, empleadores y sindicatos, saber si los accidentes tenderán a aumentar o disminuir en los próximos años es crucial para planificar inspecciones, formación e inversiones en seguridad. Este estudio plantea una pregunta sencilla pero importante: ¿podemos usar las estadísticas de accidentes pasadas para predecir con fiabilidad los accidentes futuros y, en caso afirmativo, qué tipo de modelo matemático ofrece el mejor rendimiento?

Una mirada más detallada al historial de accidentes de Turquía

Los autores se basan en datos mensuales oficiales de la Institución de Seguridad Social turca, que cubren el periodo desde 2013 —cuando entró en vigor una nueva ley de salud y seguridad laboral— hasta finales de 2023. Para mantener la imagen clara, dividen la población trabajadora en cuatro grupos: trabajadores asegurados sin accidente, los con accidentes leves, los con accidentes graves y los implicados en accidentes mortales. Analizar estos grupos de forma conjunta revela que los patrones de accidentes no son independientes. Los cambios en los accidentes leves, por ejemplo, pueden propagarse hasta producir lesiones graves y muertes, especialmente en sectores de alto riesgo como la construcción, la minería y el transporte. El objetivo del equipo es capturar estas tendencias entrelazadas con modelos que aprendan del pasado y las proyecten al futuro.

De curvas simples a series temporales enlazadas

Muchos estudios anteriores se han basado en predicciones univariantes, tratando cada tipo de accidente como si evolucionara de forma independiente. Aquí, los investigadores adoptan en cambio un enfoque multivariante de series temporales que permite que los cuatro grupos se influyan mutuamente a lo largo del tiempo. Prueban dos familias de modelos. El primero, denominado ARMAX en lenguaje técnico, es un modelo lineal: supone que los valores futuros pueden expresarse como combinaciones ponderadas de valores pasados y ruido aleatorio. El segundo, llamado NLARX, añade términos no lineales como cuadrados y efectos de interacción, permitiendo respuestas más complejas. Debido a la falta de datos mensuales adecuados sobre la economía más amplia y los sectores, ambos modelos se centran exclusivamente en la dinámica interna de las estadísticas de accidentes, en lugar de incorporar factores externos como el desempleo o los niveles de producción.

Cómo se construyeron y evaluaron los modelos

Usando herramientas especializadas de identificación de sistemas, los autores convierten los registros de accidentes en un conjunto de datos estructurado y lo dividen en una porción de entrenamiento (los primeros 80 meses) y una de prueba (los 52 meses restantes). Luego ajustan tanto modelos lineales como no lineales a los datos de entrenamiento y piden a cada modelo que prediga el periodo de prueba. La precisión se mide con una puntuación de error cuadrático medio normalizado, que compara la brecha entre las curvas predichas y observadas a lo largo de todos los meses y los cuatro grupos. Al explorar muchas posibles estructuras de modelo y conservar solo los parámetros estadísticamente significativos, reducen el riesgo de fórmulas excesivamente complejas que simplemente memorizan el pasado. Este procedimiento cuidadoso les permite comparar cómo de bien generalizan los enfoques lineal y no lineal más allá de los datos con los que fueron entrenados.

Lo que revelan las predicciones

Los resultados muestran un patrón claro. En conjunto, el modelo lineal ARMAX ofrece ajustes muy precisos a los datos históricos y errores de predicción bajos para las cuatro poblaciones. Funciona especialmente bien para los trabajadores asegurados sin accidentes y para los accidentes leves, donde las curvas predichas siguen de cerca los datos reales a lo largo de más de cuatro años de prueba. El modelo no lineal NLARX destaca en el grupo sin accidentes, donde supera ligeramente al enfoque lineal, y empata con el modelo lineal en accidentes leves y mortales. Sin embargo, sus predicciones para accidentes graves son notablemente menos estables, con desviaciones mayores a medida que aumenta el horizonte de predicción. Un examen de los parámetros del modelo lineal sugiere que los accidentes leves y las poblaciones sin accidentes están gobernados por muchas influencias moderadas pero significativas, mientras que los accidentes graves y las muertes están impulsados por unos pocos efectos fuertes y dominantes.

Implicaciones para la política de seguridad

Para los no especialistas, la conclusión es que modelos lineales relativamente simples y bien diseñados ya pueden ofrecer alertas tempranas fiables sobre cómo es probable que evolucionen distintas categorías de accidentes laborales en Turquía. Dado que estos modelos siguen explícitamente cómo se mueven conjuntamente los accidentes leves, graves y mortales a lo largo del tiempo, pueden ayudar a los responsables a detectar problemas emergentes en las categorías más peligrosas y actuar antes de que aumenten las muertes. Los modelos no lineales aportan valor en algunos grupos estables, pero todavía no son consistentemente mejores donde más importa: en la predicción de lesiones graves y muertes. El estudio sugiere que las autoridades pueden usar con confianza predicciones multivariantes lineales para orientar inspecciones focalizadas, una aplicación más estricta en sectores de alto riesgo y una mejor asignación de recursos de formación y prevención, mientras que trabajos futuros que incorporen datos más ricos sobre sectores y condiciones de trabajo podrían afinar aún más estas herramientas predictivas.

Cita: Kaplanvural, S., Tosyalı, E. & Ekmekçi, İ. Forecasting occupational accidents in Turkey using multivariate ARMAX and NLARX models. Sci Rep 16, 5696 (2026). https://doi.org/10.1038/s41598-026-36210-0

Palabras clave: accidentes laborales, predicción de series temporales, seguridad en el trabajo, Turquía, modelización estadística