Predicting the length of a post-accident absence in construction with decision trees and their ensembles

• Autorzy: Krawczyńska-Piechna A.

Identyfikatory

DOI

10.24425/ace.2020.134402

Warianty tytułu

PL

Szacowanie czasu trwania powypadkowej nieobecności w pracy w budownictwie z zastosowaniem drzew decyzyjnych i ich rodzin

• Języki publikacji: EN

Abstrakty

EN

Work safety control and analysis of accidents during the construction performance are some of the most important issues of the construction management. The paper focuses on the post-accident absence as an element of the occupational safety management. The occurrence of the post-accident absence of workers can be then treated as an indicator of building performance safety. The ability to estimate its length can also facilitate works planning and scheduling in case of the accident. The paper attempts to answer the question whether it is possible and how to use decision trees and their ensembles to predict the severity of the post-accident absence and which classification algorithm is the most promising to solve the prediction problem. The paper clarifies the model of the prediction problem, introduces 5 different decision tress and different aggregation algorithms in order to build the model. Thanks to the use of aggregation methods it is possible to build classifiers that predict precisely and do not require any initial data treatment, which simplifies the prediction process significantly. To identify the most promising classifier or classifier ensemble the prediction accuracy measures of selected classification algorithms were analyzed. The data to build the model was gathered on national (Polish) construction sites and was taken from literature. Models obtained within simulations can be used to build advisory or safety management systems allowing to detect threats while construction works are being planned or carried out.

PL

Produkcja budowlana jest jedną z najbardziej wypadkowych – zarówno w kraju, jak i na całym świecie, o czym świadczą badania naukowe oraz liczne statystyki i raporty. O ile liczne statystyki powypadkowe są cennym źródłem danych o wypadkach, o tyle znacznie cenniejsze dla zarządzających bezpieczeństwem na budowie i zajmujących się planowaniem robót są proste w interpretacji modele, pozwalające przewidywać zagrożenia i oceniać ich skutki. Badania w tym obszarze prowadzą m.in. [1,2,3,4,5,17,18]. W pracy skoncentrowano się na zagadnieniu długości nieobecności powypadkowej pracownika. Jest ona bowiem nie tylko uciążliwa dla pracodawcy z przyczyn organizacyjnych, ale także świadczy, co potwierdza [4,5], o poziomie bezpieczeństwa na budowie. W artykule skupiono się na analizie możliwości predykcji czasu trwania powypadkowej absencji pracownika przy użyciu drzew decyzyjnych i ich rodzin. Przedmiotem rozważań jest zatem N-elementowy zbiór U obserwacji – tj. odnotowanych wypadków w pracy. Każdą obserwację należącą do zbioru U charakteryzuje wektor [xi1, xi2, …, xiL, yi] tzw. atrybutów obserwacji. Wyróżniamy L atrybutów objaśniających (tzw. predyktorów): X1,…, XL oraz 1 atrybut objaśniany Y. Zmienne xi1, xi2, …, xiL , yi opisują wartości atrybutów i-tej obserwacji. Reprezentację zbioru U można zatem zapisać jako równanie (2.1). Dysponując określonym zbiorem obserwacji U, chcemy znaleźć relację pomiędzy długością powypadkowej absencji pracownika Y a okolicznościami wystąpienia wypadku X=[X1,…, XL] w postaci modelu.

Słowa kluczowe

EN

post-accident absence; decision tree; prediction; classification ensembles; construction

PL

nieobecność w pracy; nieobecność powypadkowa; drzewo decyzyjne; predykcja; rodziny klasyfikatorów; budownictwo

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2020
• Tom: Vol. 66, nr 3
• Strony: 365--376
• Opis fizyczny: Bibliogr. 19 poz., il., tab.

Twórcy

autor

Krawczyńska-Piechna A.

• Warsaw University of Technology, Faculty of Civil Engineering, Mechanics and Petrochemistry, Płock, Poland

Bibliografia

• 1. S. Baradan, S.U. Dikmen, O. Akboga Kale, „Impact of human development on safety consciousness in construction”, International Journal of Occupational Safety and Ergonomics 25(1): 40-50, 2019
• 2. I.Y.S. Chan, M.Y. Leung, A.M.M. Liu, “Occupational health management system: A study of expatriate construction professionals”, Accident Analysis & Prevention 93: 280-290, 2016.
• 3. D.H.K. Chua, Y.M. Goh, “Incident Causation Model for Improving Feedback of Safety Knowledge”, Journal of Construction Engineering and Management 130(4): 542-551, 2004.
• 4. W. Drozd, “Regression analysis of accident absenteeism and variables describing working conditions”, Monography 480 – Recent advances in civil engineering: Construction management, Cracow, Cracow University of Technology Publishing, 2015.
• 5. W. Drozd, “Analysis of Cost Regression and Post-Accident Absence”, AIP Conference Proceedings 1863 (1), 230004, 2017.
• 6. European Statistics on Accident at Work ESAW, 2013. Summary methodology. Eurostat Methodologies and Working Papers. Luxembourg: Publications Office of the European Union.
• 7. European Statistics on Accident at Work ESAW, 2016. Accidents at work statistics [online]. Available from: http://ec.europa.eu/eurostat/statistics-explained/ index.php?title=Accidents_at_work_statistics
• 8. E. Gatnar, “Multi-model approach in discrimination and regression”, Warsaw, PWN, 2009.
• 9. B. Hoła, M. Szóstak, “Analysis of the State of the Accident Rate in the Construction Industry in European Union Countries”, Archives of Civil Engineering 61(4): 13-34, 2015.
• 10. International Labor Organization ILO, “A Vision for Sustainable Prevention”, XX World Congress on Safety and Health at Work, Global Forum for Prevention, 24-27 August 2014, Frankfurt, Germany, 2014.
• 11. K. Kim, Y. Cho, S. Zhang, „Integrating work sequences and temporary structures into safety planning: automated scaffolding-related safety hazard identification and prevention in BIM”, Automation in Construction 70: 128-142, 2016
• 12. J. Koronacki, J. Ćwik, “Statistical learning systems”, Warsaw, Akademicka Oficyna Wydawnicza Exit, 2008.
• 13. G. Mistikoglu et al., “Decision tree analysis of construction fall accidents involving roofers”, Expert Systems and Applications 42(4): 2256-2263, 2015.
• 14. N.C. Oza, K. Tumer, “Classifier ensembles: Select real-world applications”, Information Fusion 9(1): 4-20, 2008.
• 15. D. Opitz, R. Maclin, “Popular Ensemble Methods: An Empirical Study”, Journal of Artificial Intelligence Research 11: 169-198, 1999.
• 16. M. Saiful, I. Razwanul, M. Tarek, “Safety Practices and Causes of Fatality in Building Construction Projects: A Case Study for Bangladesh”, Jordan Journal of Civil Engineering 11(2): 267-278, 2017.
• 17. M. Szóstak, “Modelling of the development of an accident situation in the construction industry” PhD Thesis, Wroclaw University of Technology, Poland, 2017.
• 18. V. Z. Tehrani, O. Rezaifar, M. Gholhaki, Y. Khosravi, “Investigating factors of safety culture assessment in construction industry projects”, Civil Engineering Journal 5(4): 971-983, 2019
• 19. M. Walesiak, E. Gatnar, „Data analysis in R”, Warsaw, PWN, 2009.