Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

חיזוי תאונות במקום העבודה בטורקיה באמצעות מודלים מרוב-משתניים ARMAX ו-NLARX

· חזרה לאינדקס

מדוע חיזוי תאונות בעבודה חשוב

בכל שנה בטורקיה מאות אלפי עובדים נפצעים ואנשי מקצוע רבים מאבדים את חייהם בתאונות עבודה. עבור ממשלות, מעבידים ואיגודים מקצועיים, הידע האם מספר התאונות צפוי לעלות או לרדת בשנים הקרובות קריטי לתכנון בדיקות, הכשרות והשקעות בבטיחות. המחקר הזה שואל שאלה פשוטה אך מהותית: האם ניתן להשתמש בנתוני תאונות מהעבר כדי לחזות באופן אמין את התאונות בעתיד, ואם כן — איזה סוג מודל מתמטי מבצע את העבודה בצורה הטובה ביותר?

מבט קרוב על רישום התאונות בטורקיה

המחברים מסתמכים על נתונים חודשיים רשמיים מהמוסד לביטוח חברתי הטורקי, המכסים את התקופה מ-2013 — עת נכנס לתוקף חוק חדש לבריאות ובטיחות בעבודה — ועד לסוף 2023. כדי לשמור על בהירות התמונה, הם מחלקים את כוח העובדה לארבע קבוצות: מבוטחים ללא תאונה, בעלי תאונות קלות, בעלי תאונות חמורות ובעלי תאונות קטלניות. התבוננות משותפת בקבוצות אלה מראה שתבניות התאונות אינן מבודדות. שינויים בתאונות הקלות, למשל, יכולים להתגלגל לפציעות חמורות ולמוות, במיוחד במגזרים בסיכון גבוה כגון בנייה, כרייה ותחבורה. המטרה של הצוות היא ללכוד מגמות משולבות אלה באמצעות מודלים שיכולים ללמוד מהעבר ולהשליך אותו אל העתיד.

Figure 1
Figure 1.

מעקומות פשוטות לקווים מחוברים של זמן

רבים מהמחקרים הקודמים הסתמכו על חיזויים בקו יחיד, כשהם מטפלים בכל סוג תאונה כאילו הוא מתפתח באופן עצמאי. כאן החוקרים מאמצים במקום זאת גישת סדרות זמן מרובת משתנים שמאפשרת לארבע הקבוצות להשפיע זו על זו לאורך זמן. הם בוחנים שתי משפחות של מודלים. הראשונה, המכונה ARMAX בשפה טכנית, היא מודל לינארי: בהנחה שערכי העתיד ניתנים לביטוי כצירופים משוקללים של ערכים קודמים ורעש אקראי. השנייה, NLARX, מוסיפה טרמינים לא לינאריים כגון ריבועים ואינטראקציות, ומאפשרת תגובות מורכבות יותר. מאחר שאין נתונים חודשיים מתאימים על הכלכלה הרחבה והמגזרים, שני המודלים מתמקדים אך ורק בדינמיקה הפנימית של נתוני התאונות עצמם, במקום להוסיף גורמים חיצוניים כמו אבטלה או רמות ייצור.

כיצד נבנו המודלים וכיצד הוערכו

באמצעות כלי זיהוי מערכות מיוחדים, המחברים ממירים את רשומות התאונות למערך נתונים מובנה ומחלקים אותו לחלק אימון (80 החודשים הראשונים) ולחלק בדיקה (52 החודשים הנותרים). לאחר מכן הם מתאימים גם מודלים לינאריים וגם מודלים לא לינאריים לנתוני האימון ובודקים כל מודל בציפייה לחזות את תקופת הבדיקה. הדיוק נמדד באמצעות מדד שגיאה ממוצעת מרובעת מנורמלת, המשווה את הפער בין העקומות החזויות לנצפות על פני כל החודשים וכל ארבע הקבוצות. על ידי סריקה של מבני מודל אפשריים רבים ושמירה רק על פרמטרים שיש להם משמעות סטטיסטית, הם מצמצמים את הסיכון לנוסחאות מופרזות שמזכירות רק את העבר. נהלים זהירים אלה מאפשרים להשוות עד כמה הגישות הלינאריות והלא לינאריות מתכללות מעבר לנתונים שעליהם אומנו.

Figure 2
Figure 2.

מה החזויים מגלים

התוצאות מציגות דפוס ברור. בכלל, מודל ה-ARMAX הלינארי מספק התאמות מדויקות להיסטוריית הנתונים ושגיאות חיזוי נמוכות לכל ארבע האוכלוסיות. הוא מתבלט במיוחד עבור מבוטחים ללא תאונה ועבור תאונות קלות, שם העקומות החזויות עוקבות אחר הנתונים האמיתיים בקירוב גבוה לאורך יותר מארבע שנות בדיקה. מודל ה-NLARX הלא לינארי מצטיין בקבוצת החסרי-התאונה, שם הוא מעט עולה על הגישה הלינארית, והוא משווה את המודל הלינארי בתאונות קלות ובתאונות קטלניות. עם זאת, התחזיות שלו לתאונות חמורות הן פחות יציבות באופן מורגש, עם סטיות גדלות ככל שאופק החיזוי מתארך. מבט מעמיק בפרמטרים של המודל הלינארי מצביע על כך שהתאונות הקלות ואוכלוסיות ללא תאונה נשלטות על ידי הרבה השפעות צנועות אך משמעותיות, בעוד שתאונות חמורות ותאונות קטלניות מונעות על ידי מספר מועט של השפעות חזקות ודומיננטיות.

מה המשמעות למדיניות הבטיחות

בעבור אנשי מקצוע שאינם מומחים, המסקנה היא שמודלים לינאריים יחסית פשוטים ומתוכננים היטב כבר יכולים לספק אזהרות מוקדמות אמינות לגבי האופן שבו קטגוריות שונות של תאונות בעבודה צפויות להתפתח בטורקיה. מאחר שמודלים אלה עוקבים באופן מפורש אחר האופן שבו תאונות קלות, חמורות וקטלניות נעות יחד לאורך זמן, הם יכולים לעזור למקבלי החלטות לזהות בעיות מתהוות בקטגוריות המסוכנות יותר ולפעול לפני שמספר ההרוגים יקפוץ. מודלים לא לינאריים מוסיפים ערך בקבוצות יציבות מסוימות, אך הם עדיין אינם עדיפים בעקביות במקומות שבהם זה חשוב ביותר: בחיזוי פציעות חמורות ומקרים קטלניים. המחקר מציע שרשויות יכולות להשתמש בביטחון בחיזויי סדרות זמן מרוב-משתניים לינאריים כדי להנחות בדיקות ממוקדות, אכיפה מחמירה במגזרים בסיכון גבוה והקצאה טובה יותר של משאבים להכשרה ומניעה, בעוד שעבודה עתידית שתשלב נתונים עשירים יותר על מגזרים ותנאי עבודה עשויה לחדד עוד יותר את כלי החיזוי הללו.

ציטוט: 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

מילות מפתח: תאונות בעבודה, חיזוי סדרות זמן, בטיחות בעבודה, טורקיה, מטריצת מודלים סטטיסטיים