Prévision des accidents du travail en Turquie à l’aide de modèles ARMAX multivariés et NLARX

Pourquoi il est important de prévoir les accidents du travail

Chaque année en Turquie, des centaines de milliers de travailleurs sont blessés et des milliers perdent la vie dans des accidents du travail. Pour les pouvoirs publics, les employeurs et les syndicats, savoir si le nombre d’accidents va probablement augmenter ou diminuer dans les années à venir est crucial pour planifier les inspections, la formation et les investissements en matière de sécurité. Cette étude pose une question simple mais importante : peut-on utiliser les statistiques passées d’accidents pour prévoir de manière fiable les accidents futurs, et si oui, quel type de modèle mathématique donne les meilleurs résultats ?

Un examen plus approfondi du bilan des accidents en Turquie

Les auteurs s’appuient sur des données mensuelles officielles de la Caisse turque de sécurité sociale, couvrant la période de 2013 — date d’entrée en vigueur d’une nouvelle loi sur la santé et la sécurité au travail — jusqu’à la fin de 2023. Pour garder une image claire, ils divisent la population active en quatre groupes : les assurés n’ayant pas eu d’accident, ceux ayant subi des accidents mineurs, ceux ayant eu des accidents graves et ceux impliqués dans des accidents mortels. L’examen conjoint de ces groupes révèle que les schémas d’accidents ne sont pas isolés. Les variations des accidents mineurs, par exemple, peuvent se répercuter sur les blessures graves et les décès, en particulier dans des secteurs à haut risque comme la construction, l’exploitation minière et les transports. L’objectif de l’équipe est de saisir ces tendances entrelacées avec des modèles capables d’apprendre du passé et de les projeter dans l’avenir.

Des courbes simples aux séries temporelles liées

De nombreuses études antérieures se sont appuyées sur des prévisions traitant chaque ligne indépendamment, considérant chaque type d’accident comme évoluant de façon autonome. Ici, les chercheurs adoptent au contraire une approche multivariée des séries temporelles qui permet aux quatre groupes d’influencer les uns les autres au fil du temps. Ils testent deux familles de modèles. La première, appelée ARMAX en termes techniques, est un modèle linéaire : il suppose que les valeurs futures peuvent s’exprimer comme des combinaisons pondérées de valeurs passées et d’un bruit aléatoire. La seconde, appelée NLARX, ajoute des termes non linéaires tels que des termes quadratiques et d’interaction, permettant des réponses plus complexes. Faute de données mensuelles adéquates sur l’économie plus large et les secteurs, les deux modèles se concentrent uniquement sur la dynamique interne des statistiques d’accidents elles-mêmes, sans intégrer de facteurs externes comme le chômage ou les niveaux de production.

Comment les modèles ont été construits et évalués

À l’aide d’outils spécialisés d’identification de systèmes, les auteurs transforment les registres d’accidents en un jeu de données structuré et le divisent en une portion d’apprentissage (les 80 premiers mois) et une portion de test (les 52 mois restants). Ils ajustent ensuite des modèles linéaires et non linéaires sur les données d’apprentissage et demandent à chaque modèle de prédire la période de test. La précision est mesurée par un score d’erreur quadratique moyenne normalisée, qui compare l’écart entre les courbes prédites et observées sur l’ensemble des mois et des quatre groupes. En explorant de nombreuses structures possibles de modèles et en ne conservant que les paramètres statistiquement significatifs, ils réduisent le risque de formules excessivement compliquées qui se contenteraient de mémoriser le passé. Cette procédure rigoureuse leur permet de comparer la capacité de généralisation des approches linéaires et non linéaires au‑delà des données sur lesquelles elles ont été entraînées.

Ce que révèlent les prévisions

Les résultats montrent un schéma clair. Dans l’ensemble, le modèle linéaire ARMAX offre des ajustements très précis des données historiques et des erreurs de prévision faibles pour les quatre populations. Il fonctionne particulièrement bien pour les assurés sans accidents et pour les accidents mineurs, où les courbes prédites suivent de près les données réelles sur plus de quatre ans de période de test. Le modèle non linéaire NLARX se démarque pour le groupe sans accident, où il surpasse légèrement l’approche linéaire, et il égalise le modèle linéaire pour les accidents mineurs et les décès. Cependant, ses prévisions pour les accidents graves sont sensiblement moins stables, avec des écarts plus importants à mesure que l’horizon de prédiction s’allonge. Un examen des paramètres du modèle linéaire suggère que les accidents mineurs et les populations sans accidents sont gouvernés par de nombreuses influences modestes mais significatives, tandis que les accidents graves et les décès sont entraînés par quelques effets forts et dominants.

Ce que cela implique pour la politique de sécurité

Pour les non‑spécialistes, la conclusion est que des modèles linéaires relativement simples et bien conçus peuvent déjà fournir des alertes précoces fiables sur la manière dont différentes catégories d’accidents du travail sont susceptibles d’évoluer en Turquie. Parce que ces modèles suivent explicitement la façon dont les accidents mineurs, graves et mortels évoluent conjointement au fil du temps, ils peuvent aider les décideurs à repérer les problèmes naissants dans les catégories les plus dangereuses et à agir avant que le nombre de décès n’augmente fortement. Les modèles non linéaires apportent une valeur ajoutée pour certains groupes stables, mais ils ne sont pas encore systématiquement meilleurs là où cela compte le plus : la prévision des blessures graves et des décès. L’étude suggère que les autorités peuvent utiliser en toute confiance des prévisions multivariées linéaires pour guider des inspections ciblées, un renforcement de l’application dans les secteurs à haut risque et une meilleure allocation des ressources de formation et de prévention, tandis que des travaux futurs intégrant des données plus riches sur les secteurs et les conditions de travail pourraient affiner davantage ces outils prédictifs.

Citation: 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

Mots-clés: accidents du travail, prévision de séries chronologiques, sécurité au travail, Turquie, modélisation statistique